Detecção de eventos não usuais em vídeos de segurança

• Processo: 15/04883-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de janeiro de 2016
• Data de Término da vigência: 30 de abril de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Tiago Santana de Nazare
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 11/22749-8 - Desafios em visualização exploratória de dados multidimensionais: novos paradigmas, escalabilidade e aplicações, AP.TEM
• Assunto(s): Processamento de sinais de vídeo Reconhecimento de padrões Algoritmos Análise espaço-temporal
• Palavra(s)-Chave do Pesquisador: Processamento de Vídeo | Reconhecimento de Padrões | Processamento de Sinais e Imagens

Resumo

A detecção de anomalias em vídeos tem diversas aplicações importantes, especialmente atualmente devido ao grande número de câmeras disponíveis. Um dos desafios nesse cenário é que há uma grande quantidade de dados disponíveis (frames de vídeos), mas somente uma pequena parte deles é de interesse (eventos não usuais ou anômalos). Consequentemente, para um humano, fazer a detecção desses eventos é um processo tedioso e ineficiente. Essa situação tem motivado pesquisas relacionadas ao desenvolvimento de sistemas computacionais para auxiliar na detecção automática de eventos anômalos em vídeos. Apesar dos avanços obtidos recentemente, a maioria dos métodos considerados estado-da-arte ainda não é capaz de continuar aprendendo após o final da fase de treinamento, o que significa que eles não são capazes de lidar com mudanças no ambiente, como variações na iluminação. Este projeto tem como objetivo melhorar a detecção de eventos não usuais em vídeos de segurança investigando algoritmos de detecção de anomalias e descritores espaço-temporais. Com relação à algoritmos de detecção de anomalias, esse projeto irá investigar métodos que consigam continuar a aprender mesmo depois que a fase de treinamento terminou. Já com relação aos descritores espaço-temporais, esse projeto irá investigar, com a ajuda de técnicas de visualização, descritores que consideram o contexto espaço-temporal. (AU)

Publicações científicas

(5)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

NAZARE, TIAGO S.; PARANHOS DA COSTA, GABRIEL B.; DE MELLO, RODRIGO F.; PONTI, MOACIR A.; IEEE. Color quantization in transfer learning and noisy scenarios: an empirical analysis using convolutional networks. PROCEEDINGS 2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 7-pg., 2018-01-01. (15/05310-3, 17/16548-6, 13/07375-0, 15/04883-0, 16/16111-4)

CONTATO, WELINTON A.; NAZARE, TIAGO S.; PARANHOS DA COSTA, GABRIEL B.; PONTI, MOACIR; BATISTA NETO, JOAO E. S.; IEEE. Improving Non-Local Video Denoising with Local Binary Patterns and Image Quantization. 2016 29TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), v. N/A, p. 8-pg., 2016-01-01. (15/05310-3, 14/21888-2, 15/04883-0)

NAZARE, TIAGO S.; DE MELLO, RODRIGO F.; PONTI, MOACIR A.; FARINELLA, GM; RADEVA, P; BRAZ, J; BOUATOUCH, K. Investigating 3D Convolutional Layers as Feature Extractors for Anomaly Detection Systems Applied to Surveillance Videos. VISAPP: PROCEEDINGS OF THE 16TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS - VOL. 5: VISAPP, v. N/A, p. 10-pg., 2021-01-01. (13/07375-0, 15/04883-0, 18/22482-0)

PONTI, MOACIR; NAZARE, TIAGO S.; KITTLER, JOSEF; IEEE. OPTICAL-FLOW FEATURES EMPIRICAL MODE DECOMPOSITION FOR MOTION ANOMALY DETECTION. 2017 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP), v. N/A, p. 5-pg., 2017-01-01. (15/04883-0)

PONTI, MOACIR A.; RIBEIRO, LEONARDO S. F.; NAZARE, TIAGO S.; BUI, TU; COLLOMOSSE, JOHN; IEEE. Everything you wanted to know about Deep Learning for Computer Vision but were afraid to ask. 2017 30TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES TUTORIALS (SIBGRAPI-T), v. N/A, p. 25-pg., 2017-01-01. (13/07375-0, 17/10068-2, 15/04883-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

NAZARE, Tiago Santana de. Detecção de anomalias em vídeos de segurança. 2020. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.