شبكة عصبية عميقة متعددة التدفقات مع دمج فuzzy متأخر للكشف عن الشذوذ في العالم الحقيقي
كشف الأحداث غير الطبيعية في الفيديو يُعرف أيضًا بـ "كشف القيم الشاذة" (outlier detection)، حيث يمكن للتعلم الآلي أن يكون فعّالًا جدًا في هذا المجال. عند اختبار فيديو غير معروف، يكون الهدف من هذه الأساليب التحقق من فئة الفيديو، مثل تحديد ما إذا كان طبيعيًا أم غير طبيعي. يُستخدَم في هذه الورقة المعلومات البصرية من مقاطع فيديو طبيعية وغير طبيعية لتدريب فئة تصنيف متعددة المجموعات (deep multiple instance learning classifier) لتصنيف مقاطع الفيديو. تفترض الأساليب الحالية لتصنيف المجموعات المتعددة أن مقاطع الفيديو التدريبية تحتوي فقط على أحداث شاذة قصيرة المدى، وهو افتراض قد لا يكون صحيحًا في جميع الحالات الواقعية للشذوذ. كما لا يمكن استبعاد وقوع تكرار متعدد للأحداث الشاذة داخل مقاطع الفيديو التدريبية. تُبيّن هذه الورقة أن إدخال معلومات زمنية في عملية استخراج الميزات يمكن أن يُحسّن أداء كشف الشذوذ. لتحقيق ذلك، تم تطبيق مُستخرجَي ميزات عميقيَّين فضائيَّين زمنيين (spatio-temporal deep feature extractors) بشكل متوازٍ على مقاطع الفيديو التدريبية. ثم تُستخدم هذه المسارات لتدريب تصنيف متعدد المجموعات معدّلًا تعتمد على مبادئ التعلم الآلي. وأخيرًا، يُطبّق تجميع ضبابي (fuzzy aggregation) لدمج درجات الشذوذ. علاوةً على ذلك، تم استخدام فئتين خفيفتي الوزن من نماذج التعلم العميق لدعم فعالية النموذج في تصنيف أحداث الحريق والحوادث. لفهم موثوقية الأداء المُقترح، أُجريت تجارب واسعة باستخدام مجموعة بيانات UCF-Crime التي تحتوي على 13 فئة من الأحداث الشاذة. وقد أُعيد هيكلة هذه المجموعة إلى خمس فئات عريضة بناءً على شدة الأفعال، بهدف دراسة قوة نموذجنا المُقترح. تقدّم الورقة أدلة تجريبية كافية تثبت أن دمج الميزات الزمنية في سلسلة المعالجة يؤدي إلى تحسين كبير في دقة كشف الشذوذ. علاوةً على ذلك، يُمكّن النموذج من اكتشاف الأحداث غير الطبيعية الطويلة المدى في الفيديو، وهو ما لم يكن ممكنًا باستخدام الطرق الحالية. ويُظهر المعمارية متعددة التدفقات النهائية (end-to-end multi-stream architecture) أداءً في كشف الأحداث غير الطبيعية بدرجة دقة تصل إلى 84.48٪، وهي أعلى من أداء الطرق الحالية لكشف الشذوذ في الفيديو. كما ارتفعت دقة الكشف حسب الفئة بنسبة 6٪ إلى 14٪ في مختلف الفئات العريضة.