時間的融合アプローチによる動画分類：畳み込みニューラルネットワークおよびLSTMを用いた暴力検出への応用

現代のスマートシティにおいて、最も高度な統合性と自動化サービスの実現が求められている。監視分野では、特にリアルタイムでの動画解析を自動化し、重要な事態を検出するという課題が中心的な位置を占めている。本論文では、Convolutional Neural Networks（畳み込みニューラルネットワーク）を用いた知能モデル、特にMobileNet、InceptionV3、VGG16の各ネットワークを活用し、LSTMネットワークおよびフィードフォワードネットワークを組み合わせることで、「暴力（Violence）」と「非暴力（Non-Violence）」の2クラスに分類する動画分類タスクを実現した。この研究では、RLVSデータベースを用い、時間的融合（Temporal Fusion）技術に基づいた異なるデータ表現手法を検討した。その結果、最高でAccuracyが0.91、F1-Scoreが0.90を達成し、同データベースを用いた類似研究と比較して、優れた性能を示した。