Anomalous behaviour detection in video surveillance scenes
El presente Trabajo Fin de Máster consiste en la implementación y evaluación de un método de reconocimiento de acciones adecuado para ser utilizado en un sistema de detección de anomalías. Dicho método es el propuesto por el trabajo titulado Long-term Recurrent Convolutional Networks for Visual Reco...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2017 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | inglés |
| OAI Identifier: | oai:ebuah.uah.es:10017/29960 |
| Acceso en línea: | http://hdl.handle.net/10017/29960 |
| Access Level: | acceso abierto |
| Palabra clave: | Detección de anomalías Anomaly detection CNN (Convolutional Neural Network) LSTM (Long Short-Term Memory) Telecomunicaciones Telecommunication |
| Sumario: | El presente Trabajo Fin de Máster consiste en la implementación y evaluación de un método de reconocimiento de acciones adecuado para ser utilizado en un sistema de detección de anomalías. Dicho método es el propuesto por el trabajo titulado Long-term Recurrent Convolutional Networks for Visual Recognition and Description, el cual está compuesto por dos fases basadas en CNN y LSTM. Esta configuración se entrena en conjunto y es capaz de aprender dependencias temporales entre las características visuales extraídas. Los resultados obtenidos sobre los conjuntos de evaluación de la base de datos UCF101, muestran que este método supera a otros modelos que no tienen en cuenta las relaciones temporales en su estructura. Además, el rendimiento que ofrece es comparable al de otros métodos del estado del arte. |
|---|