Hybrid 3D-CNN, Bi-LSTM, and Transformer-Based Framework for Anomaly Detection of Human Behaviour in Video Surveillance with Adaptive Error Minimization
Questo articolo propone un nuovo framework di deep learning ibrido che integra architetture 3D-CNN, Bi-LSTM e Transformer con un modulo di soglia adattiva e l'ottimizzazione della perdita multi-obiettivo per raggiungere un rilevamento delle anomalie in tempo reale e allo stato dell'arte nella videosorveglianza, riducendo significativamente i falsi allarmi in diverse condizioni ambientali.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo moderno, le telecamere di sicurezza sorvegliano le nostre strade, le stazioni e gli edifici, generando un flusso di dati visivi che nessun team umano potrebbe certamente monitorare. La sfida per i sistemi di sicurezza non è solo vedere, ma comprendere ciò che stanno vedendo in tempo reale. Devono distinguere tra movimenti ordinari e innocui e tra eventi rari e pericolosi, come l'inizio di una rissa o un furto in corso. Questo compito è notoriamente difficile perché il comportamento "normale" cambia costantemente a seconda dell'ora del giorno, dell'illuminazione, della densità della folla e dell'angolo della telecamera. Un sistema troppo sensibile darebbe l'allarme per ogni ombra o improvviso colpo di vento, creando un'ondata di falsi allarmi che esaurirebbe gli operatori umani. Al contrario, un sistema troppo rigido potrebbe ignorare completamente una minaccia reale. Per anni, i ricercatori hanno cercato di costruire programmi informatici capaci di apprendere la differenza tra il banale e il pericoloso, ma la maggior parte delle soluzioni esistenti fatica a bilanciare questi due rischi, fallendo spesso quando la qualità del video scende o la scena diventa caotica.
Un team di ricercatori della SR University e della Koneru Lakshmaiah Education Foundation in India ha proposto un nuovo approccio per risolvere questo problema persistente. Hanno progettato un sistema informatico ibrido che imita il modo in cui diverse parti del cervello umano potrebbero elaborare una scena, combinando tre distinti tipi di intelligenza artificiale in un unico framework cooperativo. Invece di affidarsi a un singolo metodo per guardare il video, il loro sistema utilizza tre "osservatori" specializzati che lavorano in parallelo. Il primo osservatore è costruito per individuare dettagli locali e brevi scatti di movimento, proprio come notare un rapido gesto della mano o un passo improvviso. Il secondo osservatore si concentra sulla sequenza degli eventi nel tempo, comprendendo come un'azione inizi, si evolva e finisca, assicurando che una pausa o un'inversione del movimento siano riconosciute come significative. Il terzo osservatore osserva l'intera scena nel suo insieme, collegando parti distanti del video per comprendere il contesto più ampio, come un gruppo di persone che si muove insieme con un modello insolito.
La genialità di questo nuovo framework risiede nel modo in cui questi tre osservatori lavorano insieme. Invece di costringerli ad accordarsi su un'unica regola rigida, il sistema impara a pesare le loro opinioni in modo dinamico. Se la scena è una strada affollata dove il flusso complessivo delle persone è l'aspetto più importante, il sistema ascolta maggiormente l'osservatore "globale". Se la scena coinvolge un'azione specifica e veloce, il sistema si affida maggiormente all'osservatore "locale". Questa flessibilità permette al sistema di adattarsi a diversi ambienti senza dover essere riprogrammato per ogni nuova località. Inoltre, i ricercatori hanno affrontato il problema del cambiamento della qualità del video, come la granulosità di un'inquadratura notturna o la sfocatura della pioggia. Hanno costruito un meccanismo di feedback che controlla costantemente la chiarezza dell'immagine. Se il video diventa sfocato o rumoroso, il sistema innalza automaticamente i propri standard per ciò che conta come allarme, evitando di dare falsi allarmi a causa della scarsa qualità dell'immagine. Se l'immagine è cristallina, il sistema diventa più sensibile, pronto a cogliere anche i segnali più sottili di problemi.
Quando i ricercatori hanno testato questo sistema su tre importanti collezioni di filmati di sorveglianza del mondo reale, i risultati sono stati sorprendenti. Il sistema ha identificato le anomalie con un alto grado di precisione, superando i migliori metodi esistenti con un margine significativo. Nel dataset più impegnativo, che conteneva oltre mille ore di video non ritagliati coprendo tredici diversi tipi di crimini, il nuovo sistema ha raggiunto un tasso di successo di quasi il novanta percento. In un dataset universitario con etichette dettagliate fotogramma per fotogramma, ha raggiunto un'accuratezza di quasi il novantotto percento. Forse la cosa più importante per la sicurezza del mondo reale, il sistema ha ridotto drasticamente il numero di falsi allarmi. Ha abbassato il tasso di falsi positivi di quasi il quaranta percento rispetto alla migliore tecnologia precedente, il che significa che i guardie giurati verrebbero interrotti molto meno spesso da eventi innocui. Allo stesso tempo, ha mancato meno minacce reali, riducendo il tasso di falsi negativi di oltre il trenta percento.
Il sistema si è anche dimostrato capace di operare in tempo reale, elaborando il video a una velocità di trentadue fotogrammi al secondo, velocità sufficiente per tenere il passo con i flussi di sorveglianza dal vivo. I ricercatori hanno confermato che il miglioramento derivava dalla combinazione di tutti e tre i componenti che lavorano insieme; rimuovere uno qualsiasi di essi causava un calo evidente delle prestazioni del sistema. Hanno anche verificato che il meccanismo adattivo per la gestione della qualità del video era la chiave per ridurre gli errori, poiché permetteva al sistema di rimanere affidabile anche quando la luce cambiava o la telecamera tremava. Sebbene il sistema richieda un breve momento per elaborare una breve clip video, introducendo una frazione di secondo di ritardo, questo compromesso è considerato accettabile per l'enorme guadagno in accuratezza e affidabilità.
Questo lavoro rappresenta un passo avanti significativo nel rendere la sorveglianza automatizzata davvero pratica. Passando da regole rigide e universali verso un approccio flessibile e multi-prospettico, i ricercatori hanno creato un sistema che è sia sensibile al pericolo che robusto contro le inevitabili imperfezioni del video del mondo reale. Le scoperte suggeriscono che il futuro della sicurezza video non risiede nel costruire un singolo osservatore perfetto, ma nel creare un team di osservatori specializzati che possano imparare l'uno dall'altro e adattarsi al mondo mentre questo cambia.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.