HyperAIHyperAI

Command Palette

Search for a command to run...

التعلم التمثيلي الشامل للكشف عن الشذوذ في المسارات متعددة المهام

Alexandros Stergiou Brent De Weerdt Nikos Deligiannis

الملخص

كشف التسلسلات الشاذة في الفيديو يتناول التعرف على الأحداث غير الطبيعية في مقاطع الفيديو. إلى جانب الإشارة البصرية، تم أيضًا معالجة كشف التسلسلات الشاذة في الفيديو باستخدام تسلسلات الهيكل العظمي (skeleton sequences). نقترح تمثيلًا شاملاً لمسارات الهيكل العظمي لتعلم الحركات المتوقعة عبر الفترات الزمنية المختلفة. تعتمد طريقتنا على التعلم متعدد المهام لإعادة بناء أي فترة زمنية متواصلة غير مرئية في المسار، مما يسمح باستخلاص فترات زمنية سابقة أو لاحقة، وتقريب الفترات الوسطى. نستخدم نموذجًا مبنيًا على الانتباه (attention-based) يعتمد على التشفير والفك التلقائي (encoder-decoder) من الطرف إلى الطرف. حيث نشفر المسارات الزمنية المُغطاة، ونُعلّم تمثيلات خفية مشتركة للفترات المُغطاة، ثم نُعيد بناء المسارات بناءً على الحركات المتوقعة عبر الفترات الزمنية المختلفة. أظهرت التجارب الواسعة على ثلاث مجموعات بيانات تعتمد على المسارات في كشف التسلسلات الشاذة في الفيديو مزايا كفاءة الطريقة المقترحة، مع تحقيق نتائج متقدمة على مستوى الحد الأدنى (state-of-the-art) في كشف التسلسلات الشاذة في مسارات الهيكل العظمي.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp