MULTICAST: MULTI Confirmation-level Alarm SysTem based on CNN and LSTM to mitigate false alarms for handgun detection in video-surveillance
University of Granada(格拉纳达大学)
尽管计算机视觉不断发展,但将现代单图像检测器集成到视频监控中的实时手枪报警系统中仍然存在争议。使用这样的检测器仍然意味着大量的假警报和假阴性。在这种背景下,大多数现有的研究选择一个最新的单图像检测器和训练它在一个更好的数据集或使用一些预处理,后处理或数据融合的方法,以进一步减少误报。然而,这些作品都没有试图利用视频中存在的时间信息来减轻错误检测。提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)(MULTICAST)的多层次报警系统,该系统不仅利用了视频中的空间信息,还利用了视频中的时间信息,从而实现了更可靠的手枪检测。MULTICAST包括三个阶段,i)手枪检测阶段,ii)基于CNN的空间确认阶段和iii)基于LSTM的时间确认阶段。时间确认阶段使用检测到的手枪在先前时刻的位置来预测其在下一帧中的轨迹。我们的实验表明,与基于Faster R-CNN的单图像检测器相比,MULTICAST减少了80%的误报数量,这使得它在提供更有效和快速的安全响应方面更加有用。
2021-05-03 cs.CV
Intelligent Video Recording Optimization using Activity Detection for Surveillance Systems
本文提出一种结合帧减法运动检测与YOLOv9物体检测的混合视频录制优化方案,专门针对人或车辆活动场景进行录制,使存储需求减少三分之二,显著提升了监控系统的效率。
2024-11-04 cs.AI cs.CV cs.LG
A Shapley Value Solution to Game Theoretic-based Feature Reduction in False Alarm Detection
Northern Arizona University(北亚利桑那大学);University of Michigan(密歇根大学)
假警报是重症监护病房的主要问题之一,可能导致护理中断、睡眠剥夺和护理人员对警报不敏感。已经提出了几种方法来抑制虚警率,通过滤波来改善生理信号的质量,并开发更精确的传感器。然而,所提取的特征之间的显著内在相关性限制了大多数当前可用的数据采掘技术的性能,因为它们经常丢弃具有低个体影响的预测因子,这些预测因子在与其他预测因子分组时可能具有较强的区分力。我们提出了一种基于联盟博弈论的模型,该模型考虑了在确定虚警方面的突出预测因子时的特征间依赖关系,从而提高了分类精度。与当前方法相比,该方法的优越性能在使用PhysionNet的MIMIC II数据库的仿真结果中显示。
2015-12-05 cs.CV
Robust copy-move forgery detection by false alarms control
CMLA;ENS Cachan(卡尚高等师范学院);CNRS(法国国家科学研究中心)
可靠地检测复制-移动foreground是困难的,因为图像确实包含相似的对象。问题是:如何丢弃自然图像的自相似性,同时仍然检测到复制移动的部分是“不自然的相似”?复制-移动可能在旋转、比例改变之后执行,然后进行JPEG压缩或添加噪声。出于这个原因,我们的方法基于SIFT,它提供具有比例、旋转和照明不变描述符的稀疏关键点。为了区分自然的描述符匹配人工的,我们引入了一个相反的方法,它给出了理论上的保证的虚警的数量。我们验证我们的方法在几个数据库。完全无监督,它可以集成到任何通用的自动图像篡改检测管道。
2019-06-03 cs.CV
Automatic Handgun Detection Alarm in Videos Using Deep Learning
University of Granada(格拉纳达大学)
目前的监视和控制系统仍然需要人的监督和干预。这项工作提出了一种新的自动手枪检测系统的视频适合,监视和控制的目的。我们将这个检测问题重新表述为最小化误报的问题,并通过构建由深度卷积神经网络(CNN)分类器的结果指导的关键训练数据集来解决它,然后在两种方法下评估最佳分类模型,滑动窗口方法和区域建议方法。最有希望的结果是通过在我们的新数据库上训练的基于Faster R-CNN的模型获得的。最好的检测器即使在低质量的youtube视频中也显示出很高的潜力,并作为自动报警系统提供了令人满意的结果。在30个场景中,它在27个场景中在不到0.2秒的时间内连续五次真阳性后成功激活警报。我们还定义了一个新的指标,报警激活每间隔(AApI),以评估性能的检测模型作为一个自动检测系统的视频。
2017-02-16 cs.CV
Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds on False Alarm Rate
University of South Florida(南佛罗里达大学)
监控视频中的异常检测越来越受到人们的关注。尽管最近的方法具有竞争力的性能,但它们缺乏理论性能分析,特别是由于决策中使用的复杂的深层神经网络架构。此外,在线决策是这一领域中一个重要但大多被忽视的因素。许多声称在线的现有方法实际上依赖于批处理或离线处理。出于这些研究的差距,我们提出了一种在线异常检测方法在监控视频的虚警率的渐近界,这反过来又提供了一个明确的过程,选择一个合适的决策阈值,满足所需的虚警率。我们提出的算法由一个多目标深度学习模块和一个统计异常检测模块组成,它的有效性在几个公开的数据集上得到了证明,在这些数据集上,我们的性能优于最先进的算法。所有代码都可以在https://github.com/kevaldoshi17/Prediction-based-Video-Anomaly-Detection-上找到。
2020-10-10 cs.CV cs.LG eess.IV
Image Copy-Move Forgery Detection and Localization Scheme: How to Avoid Missed Detection and False Alarm
School of Electrical and Information Engineering, Zhengzhou University(郑州大学电气与信息工程学院)
本文提出一种图像复制-移动伪造检测与定位方案,通过过度关键点提取策略克服漏检,利用分组匹配算法加速匹配,并引入迭代伪造定位算法降低误报,整体性能优于现有最先进算法。
2024-06-05 cs.CV
An optimization method for out-of-distribution anomaly detection models
Beijing Jiaotong University(北京交通大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
频繁的误报阻碍了无监督异常检测算法在工业应用中的推广。通过研究分布外异常检测任务中预测分数的密度概率分布,揭示了依赖于训练检测器的虚警的潜在特征。一个基于SVM的分类器被利用作为后处理模块,以识别假警报从异常图在对象级别。此外,设计了一种样本合成策略,将模糊先验知识结合到无异常训练数据集的特定应用中。实验结果表明,该方法全面提高了两个分割模型在图像和像素水平上的两个工业应用的性能。
2023-02-02 cs.CV
CFARnet: deep learning for target detection with constant false alarm rate
针对恒定虚警率目标检测问题,提出CFARnet深度学习框架,理论证明其渐近等价于GLRT,实验显示可灵活权衡CFAR与准确性。
2023-11-15 cs.CV cs.LG
Clean-Reference Streaming Detection of Lens Occlusion and Photometric Transitions for Camera Tamper Monitoring
Auckland University of Technology(奥克兰理工大学);Guilin University of Electronic Technology(桂林电子科技大学)
研究针对相机镜头遮挡和光度转换的监测问题,提出通过比较采样数据与清洁参考、应用多种抑制方法来检测,在多组实验中取得较好效果,能保持低误报率,可作为可审计的传感器健康子系统。
2026-07-17 cs.CV
Efficient Evaluation of the Number of False Alarm Criterion
SATIE Laboratory(SATIE实验室)
本文提出了一种有效计算二值图像中参数模式重要性的方法。一方面,相反的策略避免了用户参与调整检测阈值,并允许公平地考虑不同的模式大小。另一方面,当模式的复杂性在参数化方面增加时,相反的标准变得棘手。在这项工作中,我们介绍了一种策略,它依赖于使用的累积空间的降维,来自耦合的经典(霍夫)累积空间与积分直方图技巧。这个空间使我们能够存储部分计算所需的a-contrario标准,并评估的重要性,以较低的计算成本比以下一个简单的方法。该方法的合成示例上的图案与各种参数化高达五个维度。为了演示如何在一个真实的场景中应用这个通用的概念,我们考虑了一个困难的裂缝检测任务在静止图像中,这已经解决了在文献中的各种本地和全球的检测策略。我们的模型裂纹有界的部分,检测建议的一个相反的标准,这使我们能够引入额外的空间限制的基础上,他们的相对对齐。在此应用中,所提出的策略产生最先进的结果,并强调其处理复杂的模式检测任务的潜力。
2018-07-10 cs.CV
A Novel comprehensive method for real time Video Motion Detection Surveillance
DRML Avadh University(DRML阿瓦德大学);Amity University(阿米提大学)
本文介绍了一种用于监视和监控应用的综合系统。一个有效的实时视频运动检测系统的发展是出于他们的潜在部署在安全是主要关注的领域。本文介绍了一个平台,用于实时的视频运动检测和后续生成的报警条件所设置的参数的控制系统。该原型由一个安装有RF相机的移动平台组成,该平台提供环境的连续反馈。然后由用户分析所接收的视觉信息以进行适当的控制动作,从而使用户能够从远程位置操作系统。该系统还配备有处理物体图像和生成控制信号的能力,这些控制信号被自动传输到移动平台以跟踪物体。
2011-09-30 cs.CV
Enhanced Facial Recognition Framework based on Skin Tone and False Alarm Rejection
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
人脸检测是计算机视觉中具有挑战性的任务之一。人脸检测在人脸识别、人脸跟踪、图像数据库管理等人脸处理应用的第一阶段起着至关重要的作用。在这些应用中,人脸对象往往来自图像中包含变化的无关紧要的部分,即不同的光照、姿态和遮挡。这些变化会显著降低人脸检测率。大多数现有的人脸检测方法是不准确的,因为它们不能解决非结构化的图像,由于大的外观变化,只能检测人脸在一个特定的变化。现有的人脸检测框架需要改进,以提高检测率和减少检测时间,在规定的变化下检测人脸。在这项研究中,提出了一个增强的人脸检测框架,以提高基于肤色的检测率,并提供一个验证过程。对输入图像进行基于肤色的初步分割,可以显著减小搜索空间,加快人脸检测过程。主要的检测是基于Haar类特征和Adaboost算法。引入验证过程来拒绝非人脸对象,这可能发生在人脸检测过程中。验证过程是基于两阶段的扩展本地二进制模式。在CMU-MIT和Caltech 10000数据集上的实验结果表明,在不同颜色、位置、尺度和光照条件下,人脸的变化范围很广,人脸检测率很高。
2017-02-14 cs.CV
Fire detection in a still image using colour information
University of Portsmouth(朴茨茅斯大学)
颜色分析是基于图像的火灾探测算法的关键步骤。许多提出的火灾检测算法在一个静止的图像是容易产生错误的警报所造成的物体与火灾的颜色相似。为了设计一个基于颜色的系统具有更好的误报率,一个新的颜色区分转换矩阵,高颜色复杂度的图像,提出了有效的。该转换矩阵的元素是通过对具有高火焰颜色相似性的背景的火焰样本图像执行K-中心点聚类和粒子群优化程序获得的。建议的转换矩阵,然后用于构建两个新的火颜色检测框架。第一种检测方法是一个两阶段的非线性图像变换框架,而第二种是一个直接的图像变换与建议的转换矩阵。所提出的方法与文献中的替代方法进行了性能比较。实验结果表明,线性图像变换方法在虚警率方面优于其他方法,而非线性两阶段图像变换方法在F值度量上具有最佳性能,并在漏检和虚警率之间提供了更好的折衷。
2018-03-10 cs.CV eess.IV
Distribution-free false-alarm calibration and chance-corrected spatial evaluation for industrial anomaly detection
Tongji University(同济大学)
该研究针对工业异常检测现有指标的缺陷,提出结合无分布上限容差阈值与配对减交叉空间检验的方法,在多数据集上验证了其有效性,支持同时报告工作点性能与经机会校正的空间证据。
2026-08-18 cs.CV cs.LG
Wilcoxon Nonparametric CFAR Scheme for Ship Detection in SAR Image
Yantai Nanshan University(烟台南山学院)
针对参数化CFAR检测器在SAR杂波背景偏离假设分布时性能下降的问题,提出Wilcoxon非参数CFAR舰船检测方案,推导虚警率闭式解,经多源SAR图像验证其鲁棒性、弱目标检测能力及旁瓣抑制效果更优且检测速度快。
2024-08-19 cs.AI cs.CV eess.SP
Early Fire Detection Using HEP and Space-time Analysis
Southwest Jiaotong University(西南交通大学)
本文通过对现场烟气的监测,研制了一种基于视频的火灾早期报警系统。在这项工作中有两个主要贡献。首先,找到最好的纹理特征烟雾检测,一个通用的框架,命名为直方图的等效模式(HEP),实现了广泛的各种纹理特征的评价。其次,提出了描述烟雾时空特性的\emph{Block based Inter-Frame Difference}(BIFD)和改进的LBP-TOP模型。为了减少误报,利用烟雾历史图像(SHI)登记候选烟雾块的最近分类结果。实验结果表明,与现有的方法相比,该方法具有更高的准确率和更少的虚警率。
2013-10-07 cs.CV cs.MM
CURA: Certified Runtime Alarms for Computer-Use Agents
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Intel Labs(英特尔实验室);Capital One AI Labs(Capital One AI实验室)
针对计算机使用智能体自报告失效问题,提出仅读取测试环境遥测的外部监控器CURA,可在运行时检测失败,提升任务解决率。
2026-08-31 cs.AI cs.CV cs.LG
Optimizing Channel Selection for Seizure Detection
Temple University(天普大学)
脑电图(EEG)信号的解释可能会因混淆伪影而变得复杂。脑电信号检测在脑电信号的观测和分析中起着重要的作用。包含在电极的放置中的空间信息可以被利用来准确地检测伪影。然而,当使用较少的电极时,可用的空间信息较少,使得更难检测伪影。在这项研究中,我们研究了深度学习算法CNN-LSTM在几种通道配置上的性能。与标准22通道EEG相比,每种配置都旨在最大限度地减少空间信息丢失量。使用减少数量的通道(从8到20)的系统实现了33%到37%的灵敏度,每24小时的假警报范围为[38,50]。假警报急剧增加(例如,每24小时超过300个),而频道数目则进一步减少。使用所有22个通道的系统的基线性能为39%灵敏度,有23个假警报。由于22通道系统是唯一包括参考通道的系统,因此随着通道数量的减少,虚警率的快速增加强调了保留参考通道以减少伪影的重要性。这个警示性的结果很重要,因为不同类型的脑电图之间最大的区别之一就是所使用的参考通道的类型。
2018-01-03 cs.CV eess.SP q-bio.NC
Intrusion Detection Using Cost-Sensitive Classification
Vrije University Amsterdam(阿姆斯特丹自由大学);University of Leoben(莱奥本大学);University of Piraeus(比雷埃夫斯大学)
入侵检测是计算机网络防御的重要组成部分。一个重要的考虑因素是,发出假警报的成本比不检测攻击的成本低得多。出于这个原因,我们研究如何成本敏感的分类方法可以用于入侵检测系统。该方法的性能进行评估,在不同的实验条件下,成本矩阵和不同的分类模型,在预期的成本,以及检测和误报率。我们发现,即使在不利的条件下,成本敏感的分类可以显着提高性能,如果只有轻微的。
2008-07-13 cs.CR cs.CV cs.NI
Seizure Detection using Least EEG Channels by Deep Convolutional Neural Network
Bilkent University(比尔肯特大学);Institute for Infocomm Research(信息通信研究院);KK Women's and Children's Hospital(KK妇女儿童医院)
这项工作的目的是开发一个端到端的解决方案,癫痫发作检测。我们设计了SeizNet,一种用于癫痫发作检测的卷积神经网络。为了将SeizNet与传统的机器学习方法进行比较,使用支持向量机(BPsvm)的频谱带功率特征实现了基线分类器。我们通过分别使用所有通道和两个通道设置评估SeizNet和BPsvm方法,探索使用最少数量的通道进行准确癫痫发作检测的可能性。EEG数据采集自KK妇女儿童医院收治的29名被诊断为典型失神发作的儿童患者。我们对所有受试者进行留一交叉验证。使用全通道数据,BPsvm产生的灵敏度为86.6%和0.84假警报(每小时),而SeizNet产生的总体灵敏度为95.8%和0.17假警报。更有趣的是,双通道的BPSNet优于全通道的BPsvm,灵敏度为93.3%,虚警为0.58。我们通过解码沿着卷积层学习的过滤器来进一步研究SeizNet的可解释性。在来自第三和第四卷积层的滤波器中可以清楚地观察到类似癫痫发作的特征。
2019-01-14 cs.CV cs.LG eess.SP
3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos
Gwangju Institute of Science and Technology(光州科学技术院)
异常活动检测是计算机视觉领域中最具挑战性的任务之一。这项研究的动机是最近的最先进的异常活动检测工作,它利用异常和正常的视频学习异常的帮助下,多实例学习,通过提供视频级信息的数据。在没有时间注释的情况下,这样的模型在检测异常时容易给出错误警报。出于这个原因,在本文中,我们专注于在执行异常活动检测任务的同时最大限度地减少误报率的任务。这些假警报的缓解和视频动作识别任务中3D深度神经网络的最新进展共同激励我们在我们提出的方法中利用3D ResNet,这有助于从视频中提取时空特征。然后,使用这些特征和深度多实例学习以及提出的排名损失,我们的模型学习预测视频片段级别的异常分数。因此,与其他最先进的方法相比,我们提出的方法3D深度多实例学习与ResNet(MILR)以及新提出的排名损失函数在UCF-Crime基准数据集上实现了最佳性能。在UCF-Crime数据集上证明了该方法的有效性。
2020-02-04 cs.CV cs.LG eess.IV