Professional Documents
Culture Documents
Abnormal Action
Abnormal Action
liệu UCF-Tội phạm - Bộ dữ liệu phát hiện sự kiện bất thường trong video
• Bộ dữ liệu UCF-Tội phạm là bộ dữ liệu quy mô lớn mới đầu tiên của bộ dữ liệu loại của
nó gồm 128 giờ video. Nó bao gồm 1900 video giám sát trong thế giới thực dài và không
bị cắt xén, với 13 hiện tượng dị thường thực tế bao gồm Lạm dụng, Bắt giữ, Đốt
phá, Tấn công, Tai nạn trên đường, Trộm cắp, Nổ, Đánh nhau, Cướp, Bắn súng,
Trộm cắp, Trộm cắp và Phá hoại. Những điểm bất thường này được chọn vì chúng có tác
động đáng kể đến an toàn công cộng. Bộ dữ liệu này có thể được sử dụng cho hai nhiệm vụ.
Đầu tiên, phát hiện bất thường chung xem xét tất cả các bất thường trong một nhóm và tất cả
các hoạt động bình thường trong một nhóm khác. Thứ hai, để nhận ra từng hoạt động trong
số 13 hoạt động bất thường.
• https://webpages.charlotte.edu/cchen62/dataset.html
Machine Translated by Google
Trận đánh
• UBnormal (Video bất thường của Đại học Bucharest) Có công khai
• Cơ sở dữ
Peds2: cảnh có chuyển động của người đi bộ song song với mặt phẳng camera.
Chứa 16 mẫu video đào tạo và 12 mẫu video thử nghiệm. • Đối với mỗi
clip, chú thích sự thật cơ bản bao gồm một cờ nhị phân trên mỗi khung hình,
cho biết liệu có sự bất thường nào ở khung hình đó hay không. Ngoài ra, một tập hợp
con gồm 10 clip dành cho Peds1 và 12 clip dành cho Peds2 được cung cấp mặt nạ
nhị phân cấp độ pixel được tạo thủ công, mặt nạ này xác định các vùng chứa điểm
bất thường. Điều này nhằm mục đích cho phép đánh giá hiệu suất liên quan đến khả
năng của các thuật toán trong việc bản địa hóa các điểm
đời thực: • 1000 video chứa cảnh đánh nhau trên đường phố có thật và 1000 video
từ các lớp khác • https://www.kaggle.com/datasets/mohamedmustafa/real-life-
violence các tình huống-
bộ dữ liệu/mã 2. Một bộ dữ liệu để tự động phát hiện bạo lực
trong video • Kho lưu trữ này chứa 350 video clip được dán nhãn là “không
bạo lực” và “bạo lực”, được sử dụng để đào tạo và thử nghiệm các thuật toán
phát hiện bạo lực trong video. Các clip phi bạo lực được ghi lại cụ thể để bao
gồm các hành vi (ôm, vỗ tay, vui mừng, v.v.) có thể gây ra kết quả dương tính
giả trong nhiệm vụ phát hiện bạo lực, do các chuyển động nhanh và tương tự
với các hành vi bạo lực.
• https://github.com/airtlab/A-Dataset-for-Automatic-Violence-Detection-in
Video
Machine Translated by Google
tập dữ liệu bất thường
Các đoạn phim từ Trung tâm mua sắm ở Bồ Đào Nha: tại hành lang của trung tâm thương mại
• Phát hiện hành vi nguy hiểm của học sinh – Không công khai
• Bộ dữ liệu này tập trung phát hiện các hành vi nguy hiểm của học sinh
tự động, phải đối mặt với nhiều thách thức, chẳng hạn như không đủ bộ dữ liệu, tư
thế khó hiểu, phát hiện khung hình chính và phản hồi nhanh chóng. Để giải quyết
những thách thức này, bộ dữ liệu hành vi nguy hiểm, với các vị trí và nhãn từ video
giám sát, biến nhận dạng hành động của các video dài thành tác vụ phát hiện
đối tượng để tránh phát hiện khung hình chính. Nó kết hợp các tính năng cơ thể đa
tỷ lệ và các tính năng tạo dáng dựa trên điểm chính để phát hiện nguy hiểm.
• Liên kết: https://arxiv.org/abs/2202.09550
Machine Translated by Google
tập dữ liệu bất thường
• Bộ dữ liệu này đi kèm với bài báo "Phát hiện sự kiện bất thường ở 150 FPS trong
Matlab, Cewu Lu, Jianping Shi, Jiaya Jia, Hội nghị quốc tế về thị giác máy tính,
(ICCV), 2013".
• Bộ dữ liệu đám đông: Bộ dữ liệu đám đông mật độ cao bất thường
• Cảnh đám đông mật độ cao chứa hành vi bất thường • Tính khả
dụng của bộ dữ liệu chuẩn về cảnh đám đông mật độ cao là rất hạn chế.
Hơn nữa, không có bộ dữ liệu về cảnh quay đám đông mật độ cao bao gồm các hành
vi bất thường như giẫm đạp, quá đông, bạo lực và hoảng loạn. Để giải quyết vấn đề này,
chúng tôi đã thu thập các cảnh quay công khai tuân theo các ràng buộc này.
• 9) BỘ DỮ LIỆU UMN (Hoạt động đám đông bất thường) và bộ dữ liệu Web (Bất thường/Bình thường
Crowds) Có công khai •
Tập dữ liệu UMN: •
Crowd Escape Panic, 11 Video, 3 Scenes, Videos: phần bắt đầu bình thường và phần kết thúc
bất thường • Được đào tạo
về phần bình thường trong 5 video của cảnh 1, Đã thử nghiệm trên
tất cả • Liên kết: https ://www.crcv.ucf.edu/projects/Abnormal_Crowd/#UMN
• Bộ dữ liệu web: •
• 9) Bộ dữ liệu Crow11
• Bộ dữ liệu để phân tích hành vi đám đông chi tiết
• Bộ dữ liệu này bao gồm các video trên web và các bộ dữ liệu hiện có, chúng
tôi yêu cầu bạn tải xuống và chấp nhận giấy phép của từng nguồn và
bộ dữ liệu. • Liên kết: https://www.kaggle.com/datasets/angeliqueloesch/
crowd-11 • https://paperswithcode.com/dataset/crowd11
Machine Translated by Google
tập dữ liệu bất thường
• Bộ dữ liệu hình ảnh được chia thành 4 loại Dao, Súng trường, Súng lục và Xe tăng.
•
Tất cả bốn loại của bộ dữ liệu chứa gần 300 hình ảnh mỗi loại.
• Việc dán nhãn cho từng dữ liệu mà chúng tôi sẽ nhận được như sau:
•
Súng lục: [1,0,0,0]; Nguồn của Bộ dữ liệu: Súng lục Google Images
•
Súng trường: [0,0,1,0]; Nguồn của Bộ dữ liệu: Rifel Google Images
• Trong các dòng tiếp theo, tôi sẽ đào tạo hai thuật toán mạng thần kinh, thuật toán đầu tiên sẽ được thiết kế theo kiểu truyền thống và thuật toán thứ hai sẽ là thuật toán học chuyển
đổi trong đó tôi sẽ sử dụng thuật toán mạng thần kinh VGG19
cac
Machine Translated by Google
• https://github.com/Smart-
Safety Ocean/HAAR_DeepModel/blob/main/BehaviorDocument.md
Machine Translated by Google
DeepvisionAI_Backend
• https://github.com/Lynda-Starkus/DeepvisionAI_Backend
Machine Translated by Google
• https://github.com/ShoupingShan/Abnormal-behavior-Detection
Machine Translated by Google
HỆ THỐNG
• https://github.com/aradhya29/ABNORMAL-HUMAN-ACTIVITY
DÒ-HỆ THỐNG/cây/chính/MÃ
Machine Translated by Google
https://github.com/mamonraab/Real-Time-Violence-Detection-in Video-
https://github.com/sukhitashvili/violence-detection
https://github.com/hasnainnaeem/Violence-Detection-in-Videos