17 fev 2020
13:30 Defesa de Mestrado Auditório 2 - IC 3
Tema
Anomalous Action Detection in Videos Assisted by High-Level Features Using a Multi-Stream Deep Neural Network
Aluno
Sarah Almeida Carneiro
Orientador / Docente
Hélio Pedrini
Breve resumo
O entendimento de ações é um tópico que tem sido continuamente estudado por seres humanos com, por exemplo, o objetivo de compreender comportamentos sociais ou prevenir situações. Além disso, com o crescente número de dispositivos que podem capturar informações do ambiente, a possibilidade de monitorar facilmente essas ações foi aprimorada. Além disso, dado que a sociedade tem buscado medidas de segurança mais imponentes, tanto no sentido de bem-estar quanto de proteção, estudos computacionais têm surgido na área de classificação para ajudá-los. O estudo da classificação de ações anômalas tornou-se comum para o desenvolvimento de aplicativos úteis para detectar e sinalizar eventos incomuns em um determinado ambiente. No contexto de ações anômalas, durante o nosso trabalho, decidimos focar em apenas dois grupos. O primeiro grupo considerou ações envolvidas com o bem-estar nas quais os conjuntos de dados estavam relacionados a quedas. O segundo, relacionado a medidas preventivas de proteção, utilizou conjuntos de dados associados a eventos de brigas. Há muitos estudos sobre esse campo de especialização. Os melhores resultados relatados na literatura são de trabalhos relacionados a abordagens de aprendizagem profunda. Portanto, este estudo teve como objetivo usar um modelo de aprendizado profundo baseado em sistemas de classificação de múltiplos fluxos usando características de alto nível para poder abordar a questão da detecção de brigas e detecção de quedas em vídeos. Neste trabalho, focamos no uso de uma rede de múltiplos fluxos, em que cada um dos fluxos é uma rede VGG-16. Além disso, cada fluxo é responsável por receber como entrada um vídeo pré-filtrado. Este vídeo pré-filtrado está relacionado ao que, neste trabalho, consideramos descritores de alto nível. Assim, durante este estudo, também são investigados descritores de alto nível concebíveis, como informações espaciais, temporais, rítmicas e de profundidade de um vídeo para a classificação das ações anômalas escolhidas. Validamos nosso método em cinco conjuntos de dados comumente usados na literatura, dois destinados à detecção de brigas e três à detecção de quedas. Os experimentos demonstraram que a associação de informações de descritores, correlacionados a uma estratégia de fluxo múltiplo, aumentou a classificação de nossa abordagem de aprendizado profundo, portanto, o uso de características complementares pode produzir resultados interessantes que são correspondentes a outros estudos anteriores.
Banca examinadora
Titulares:
| Hélio Pedrini | IC/UNICAMP |
| Ronaldo Cristiano Prati | CMCC/UFABC |
| Alexandre Mello Ferreira | IC/UNICAMP |
Suplentes:
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| David Menotti Gomes | UFPR |