اكتشاف الشذوذ في مقاطع الفيديو المراقبة الحقيقية

تستطيع مقاطع الفيديو المراقبة التقاط مجموعة متنوعة من الشذوذات الواقعية. في هذا البحث، نقترح تعلم الشذوذات من خلال استغلال الفيديوهات الطبيعية والشاذة على حد سواء. لتجنب وضع علامات على المقاطع أو الأجزاء الشاذة في الفيديوهات التدريبية، وهو أمر يستغرق وقتًا طويلًا، نقترح تعلم الشذوذ من خلال إطار التصنيف متعدد الحالات العميق باستخدام الفيديوهات التدريبية ذات العلامات الضعيفة، أي أن علامات التدريب (شاذة أو طبيعية) تكون على مستوى الفيديو وليس على مستوى المقطع. في نهجنا، نعتبر الفيديوهات الطبيعية والشاذة كأكياس ومقاطع الفيديو كحالات في التعلم متعدد الحالات (MIL)، ونتعلم تلقائيًا نموذج تصنيف شذوذ عميق يتنبأ بدرجات شذوذ عالية للأجزاء الشاذة من الفيديو. بالإضافة إلى ذلك، نقدم قيود الندرة والانسيابية الزمنية في دالة خسارة التصنيف لتحسين تحديد موقع الشذوذ أثناء التدريب. كما نقدم مجموعة بيانات جديدة كبيرة ومتميزة تتكون من 128 ساعة من الفيديوهات. تتضمن هذه المجموعة 1900 فيديو مراقبة حقيقي وطويل وغير مقصوص، مع 13 شذوذًا واقعيًا مثل المشاجرات، الحوادث الطرقية، السرقة، السلب وغيرها بالإضافة إلى الأنشطة الطبيعية. يمكن استخدام هذه المجموعة البيانات لأداء مهمتين: الأولى هي اكتشاف الشذوذ العام باعتبار جميع الشذوذات ضمن مجموعة واحدة وكل الأنشطة الطبيعية ضمن مجموعة أخرى؛ الثانية هي تمييز كل من الأنشطة الشاذة الثلاث عشر. تظهر نتائج تجاربنا أن طريقة MIL الخاصة بنا لاكتشاف الشذوذ تحقق تحسينًا كبيرًا في أداء اكتشاف الشذوذ مقارنة بالتقنيات الرائدة حاليًا. كما نوفر نتائج العديد من النماذج الأساسية الحديثة للتعلم العميق في مجال تمييز الأنشطة الشاذة. يكشف الأداء المنخفض للتعرف لهذه النماذج الأساسية أن مجموعتنا البيانات تعد صعبة للغاية وتفتح فرصًا أكبر للعمل المستقبلي. يمكن الوصول إلى المجموعة البيانات عبر الرابط: https://webpages.uncc.edu/cchen62/dataset.html