Machine Learning Methods for Behaviour Analysis and Anomaly Detection in Video

ویرایش: 1 
نویسندگان: Olga Isupova (auth.)  
سری: Springer Theses 
ISBN (شابک) : 9783319755076, 9783319755083 
ناشر: Springer International Publishing 
سال نشر: 2018 
تعداد صفحات: 144 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 40,000



این پایان نامه روش های یادگیری ماشینی را برای درک صحنه ها از طریق تحلیل رفتار و تشخیص ناهنجاری آنلاین در ویدئو پیشنهاد می کند. این کتاب مدل‌های موضوعی جدید بیزی را برای تشخیص رویدادهایی که با فعالیت‌های معمولی متفاوت هستند و چارچوب جدیدی برای تشخیص نقطه تغییر برای شناسایی تغییرات رفتاری ناگهانی معرفی می‌کند.

تحلیل رفتار و تشخیص ناهنجاری اجزای کلیدی سیستم‌های بینایی هوشمند هستند. . تشخیص ناهنجاری را می توان از دو منظر در نظر گرفت: رویدادهای غیرعادی را می توان به عنوان آنهایی که فعالیت های معمولی را نقض می کنند یا به عنوان یک تغییر ناگهانی در رفتار تعریف کرد. روش‌های مدل‌سازی موضوع و تشخیص نقطه تغییر به ترتیب برای دستیابی به این اهداف استفاده می‌شوند.

این پایان‌نامه با توسعه الگوریتم‌های یادگیری برای یک مدل موضوع پویا شروع می‌شود، که موضوعاتی را استخراج می‌کند که فعالیت‌های معمول یک صحنه را نشان می‌دهد. این فعالیت‌های معمولی در یک معیار عادی در تصمیم‌گیری تشخیص ناهنجاری استفاده می‌شوند. این کتاب همچنین یک روش جدید محلی سازی ناهنجاری را پیشنهاد می کند.

در اولین مدل مبحث ارائه شده، تعدادی از موضوعات باید از قبل مشخص شوند. سپس یک مدل مبحث فرآیند دیریکله سلسله مراتبی پویا پویا ایجاد می شود که در آن تعداد موضوعات از داده ها تعیین می شود. الگوریتم‌های استنتاج دسته‌ای و آنلاین توسعه داده شده‌اند.

بخش آخر پایان‌نامه تحلیل رفتار و تشخیص ناهنجاری را در روش تشخیص نقطه تغییر در نظر می‌گیرد. یک چارچوب کلی جدید برای تشخیص نقطه تغییر معرفی شده است. داده های سری زمانی فرآیند گاوسی در نظر گرفته شده است. آزمون‌های فرضیه‌های آماری برای پردازش داده‌های آفلاین و آنلاین و تشخیص نقاط تغییر چندگانه پیشنهاد شده‌اند و ویژگی‌های نظری آزمون‌ها مشتق شده‌اند.

این پایان نامه با جعبه ابزارهای منبع باز همراه است که می تواند توسط محققان و مهندسان استفاده شود.

This thesis proposes machine learning methods for understanding scenes via behaviour analysis and online anomaly detection in video. The book introduces novel Bayesian topic models for detection of events that are different from typical activities and a novel framework for change point detection for identifying sudden behavioural changes.

Behaviour analysis and anomaly detection are key components of intelligent vision systems. Anomaly detection can be considered from two perspectives: abnormal events can be defined as those that violate typical activities or as a sudden change in behaviour. Topic modelling and change-point detection methodologies, respectively, are employed to achieve these objectives.

The thesis starts with the development of learning algorithms for a dynamic topic model, which extract topics that represent typical activities of a scene. These typical activities are used in a normality measure in anomaly detection decision-making. The book also proposes a novel anomaly localisation procedure.

In the first topic model presented, a number of topics should be specified in advance. A novel dynamic nonparametric hierarchical Dirichlet process topic model is then developed where the number of topics is determined from data. Batch and online inference algorithms are developed.

The latter part of the thesis considers behaviour analysis and anomaly detection within the change-point detection methodology. A novel general framework for change-point detection is introduced. Gaussian process time series data is considered. Statistical hypothesis tests are proposed for both offline and online data processing and multiple change point detection are proposed and theoretical properties of the tests are derived.

The thesis is accompanied by open-source toolboxes that can be used by researchers and engineers.

Front Matter ....Pages i-xxv
 Introduction  (Olga Isupova)....Pages 1-7
 Background  (Olga Isupova)....Pages 9-35
 Proposed Learning Algorithms for Markov Clustering Topic Model  (Olga Isupova)....Pages 37-64
 Dynamic Hierarchical Dirichlet Process  (Olga Isupova)....Pages 65-82
 Change Point Detection with Gaussian Processes  (Olga Isupova)....Pages 83-104
 Conclusions and Future Work  (Olga Isupova)....Pages 105-110
Back Matter ....Pages 111-126