Arquitecturas para detección de anomalías-Reference-Cited by-同舟云学术

Arquitecturas para detección de anomalías

Published:2024-07-29 Issue:45 Volume: Page:
ISSN:3045-4093
Container-title:Jornadas de Automática
language:
Short-container-title:JA-CEA

Author:

Pérez López Borja,Resino Solis Mario,García Fernández Fernando,Hussein Abdulrahman Al-Kaff Abdulla

Abstract

La detección y prevención de situaciones anómalas en entornos urbanos es crucial para la seguridad de todos los usuarios, siendo un área de estudio muy relevante actualmente. La abundancia de cámaras CCTV en ciudades permite usar tecnologías de inteligencia artificial (IA) para monitorear y analizar comportamientos en tiempo real. Este estudio propone un sistema basado en la estructura GAN (Generative Adversarial Networks) para identificar situaciones anómalas en secuencias de imágenes. Se desarrollaron y compararon dos sistemas utilizando la arquitectura PatchGAN. El primero emplea la red U-Net para el generador, mientras que el segundo usa U-NetR, una variación de U-Net que mejora la contextualización de la imagen completa. Los resultados de diversos experimentos muestran la eficacia de ambos enfoques, proporcionando una comparación detallada de las ventajas y limitaciones de cada uno. Este trabajo contribuye al avance de las tecnologías de vigilancia.

Publisher

Universidade da Coruna

Reference11 articles.

1. Aboah, A., 2021. A vision-based system for traffic anomaly detection using deep learning and decision trees. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 4207–4212.

2. Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., Houlsby, N., 2021. An image is worth 16x16 words: Transformers for image recognition at scale.

3. Fan, C., Lin, H., Qiu, Y., 2023. U-patch gan: A medical image fusion method based on gan. Journal of Digital Imaging 36 (1), 339–355.

4. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y., 2014. Generative adversarial networks. Isola, P., Zhu, J.-Y., Zhou, T., Efros, A. A., 2017. Image-to-image translation with conditional adversarial networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 1125–1134.

5. Isola, P., Zhu, J.-Y., Zhou, T., Efros, A. A., 2017. Image-to-image translation with conditional adversarial networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 1125 1134.