دانلود کتاب Machine learning methods for behaviour analysis and anomaly detection in video – روش های یادگیری ماشین برای تجزیه و تحلیل رفتار و تشخیص ناهنجاری در ویدئو

• توضیحات
• نظرات (0)

Abstract: 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

————————————————————–

ترجمه ماشینی :

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 یک چارچوب جدید برای تشخیص نقطه تغییر برای شناسایی تغییرات رفتاری ناگهانی معرفی می‌کند. تجزیه و 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 مواردی 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. پایان نامه با توسعه الگوریتم های یادگیری برای یک مدل موضوع پویا شروع می شود، که موضوعاتی را استخراج می کند که فعالیت های معمول یک صحنه را نشان می دهد. 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 شود. سپس یک مدل مبحث فرآیند دیریکله سلسله مراتبی پویا پویا ایجاد می شود که در آن تعداد موضوعات از داده ها تعیین می شود. الگوریتم های استنتاج دسته ای و آنلاین توسعه یافته اند. بخش آخر پایان نامه تجزیه و تحلیل رفتار و تشخیص ناهنجاری را در روش تشخیص نقطه تغییر در نظر می گیرد. 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 متن باز همراه است که می تواند توسط محققان و مهندسان استفاده شود. بیشتر بخوانید…