Geri Dön

Video surveillance and ERP-based BCIs as anomaly detection: New methods and dataset

Anomali tespiti olarak video gözetimi ve olay ilgili potansiyel tabanlı BBA: yYeni yöntemler ve veri seti

PDF İndir

  1. Tez No: 761887
  2. Yazar: MEHMET YAĞAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Anomali tespiti, Heceleme, Sinir ağları, Öznitelik, Öğrenme teknikleri, Anomaly detection, Spelling, Nerve net, Feature extraction, Learning techniques
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Güvenlik kameraları suçları tespit etmek ve önlemek amacıyla yaygın olarak kullanılmaktadır, ancak bu yaygınlık nedeniyle gözetleme videolarının sayısı artmıştır. Bu videolar uygun bir makine öğrenme algoritması yardımıyla işlenerek, istenmeyen olaylar izlenmesi için uzmanların dikkatine sunulabilir. Bu olumsuz olaylar çeşitli tiplerde ve az sayıda olduğundan, bu sorun anomali tespiti ile giderilebilir. Bu tezde, UCF-Crime veri seti kullanılarak birkaç yeni anomali tespit algoritması geliştirilmiştir. Öncelikle veri kümesindeki videolardan, önceden eğitilmiş bir yapay sinir ağı (YSA) yardımıyla öznitelikler çıkarılmıştır. Daha sonra bu özniteliklerin boyutu yarı denetimli bir YSA, bir özkodlayıcı veya temel bileşenler analizi ile küçültüldü. Son olarak, regresyon yoluyla gelecek öznitelik tahminine dayalı olarak bir özyinelemeli sinir ağı kullanılarak anomali tespiti yapıldı. Bu algoritmalara ek olarak, büyük ölçekli bir anomali tespit veri seti de yayınlanmıştır. İnvaziv olmayan yapıları nedeniyle, beyin-bilgisayar arayüzü (BBA) sistem tasarımlarında en yaygın olarak kullanılan olayla ilgili potansiyellerden biri P300 elektroensefalografiyi (EEG) sinyalidir. P300 tabanlı BBA heceleme sistemlerini daha gerçekçi yüksek hız ayarlarında eğitmek ve test etmek için, büyük ve zorlu bir veri setine ihtiyaç duyulmaktadır. Literatürde halihazırda çeşitli veri kümeleri mevcuttur, ancak bunların çoğu halka açık değildir, sınırlı sayıda denek içerirler ya da nispeten uzun uyaran süresi (US) ve uyaranlar arası aralıklar (UAA) kullanırlar. Özellikle uzun UAA kullanımı, yalnızca hızı ve bilgi aktarım hızlarını (BAH) azaltmakla kalmaz, aynı zamanda P300 algılamasını da basitleştirir. Bu, son teknoloji makine öğrenimi ve sinyal işleme algoritmaları için sınırlı bir zorluk bırakır. Bu nedenle, algoritma tasarımındaki son gelişmelerden tam olarak yararlanmak ve yüksek performanslı heceleme sonuçları elde etmek için, zorlayıcı ve büyük ölçekli bir veri kümesine ihtiyaç vardır. Bu amaçla, 32 kanallı EEG kullanarak, verimli BBA'lar oluşturmaya yönelik araştırma bulgularını geliştirmeyi umarak, ücretsiz ve halka açık yeni bir P300 veri seti sunuyoruz. Sunulan veri seti, hızlı yazım için düşük US (66.6 ms) ve UAA (33.3 ms) ile 40 hedefli (5×8) bir yazım görevi gerçekleştiren 18 denekten oluşur. Ayrıca tanıtılan veri setini işlenmiş, analiz edilmiş ve doğruluk ve BAH sonuçları bir kıyaslama olarak sunulmuştur.

Özet (Çeviri)

Security cameras are widely used to detect and prevent crimes, but the number of surveillance videos has increased due to this prevalence. By processing these videos with the help of a suitable machine learning algorithm, unfavorable events can be brought to the attention of experts to manually monitor. Since these unfavorable events are of various types and few in number, this problem can be addressed in the anomaly detection framework. In this thesis, several new anomaly detection algorithms have been developed using the UCF-Crime dataset. First of all, features were extracted from the videos in the dataset with the help of a pre-trained artificial neural network (ANN). Then, the size of these features was reduced with a semisupervised ANN, an autoencoder (AE) or principal component analysis (PCA). Lastly, anomaly detection was performed using an recurrent neural network (RNN) based on future feature estimation by regression. In addition to these algorithms, a large scale anomaly detection dataset has been introduced. Due to their non-invasive nature, one of the most commonly used event related potentials in brain–computer interface (BCI) system designs is the P300 electroencephalography (EEG) signal. In order to train and test P300-based BCI speller systems in more realistic high speed settings, there is an arising requirement for a large and challenging benchmark dataset. Various datasets already exist in the literature but most of them are not publicly available, and they either have a restrictive number of subjects or utilize relatively long stimulus duration (SD) and inter-stimulus intervals (ISI). The use of long ISI, in particular, not only reduces the speed and the information transfer rates (ITRs) but also simplifies the P300 detection. This leaves a limited challenge to the state-of-the-art machine learning and signal processing algorithms. Therefore, one certainly needs a large-scale dataset in challenging settings to fully exploit the recent advancements in algorithm design (machine learning and signal processing) and achieve high-performance speller results. To this end, by using 32-channels EEG, here we introduce a new freely and publicly accessible P300 dataset, hoping to enhance research findings towards building efficient BCIs. The introduced dataset is composed of 18 subjects performing a 40-target (5 × 8) cued-spelling task, with reduced SD (66.6 ms) and ISI (33.3 ms) for fast spelling. We have also processed, analyzed, and character-classified the introduced dataset and presented the accuracy and ITR results as a benchmark.

Benzer Tezler

  1. Tez No

    538647

    Smart video surveillance for slow and metered connections

    Yavaş ve ölçülen bağlantılar için akıllı güvenlik kamera sistemi

    HALİL CAN KAŞKAVALCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEZER GÖREN UĞURDAĞ

  2. Tez No

    711235

    Anomaly detection for video-based surveillance using covariance features and modeling of sequences via LSTMS

    Video bazlı gözetim sistemlerinde kovaryans öznitelikleri kullanımı ve dizilerin LSTM modellenmesi ile anomali sezimi

    ALİ ENVER BİLECEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN

  3. Tez No

    167265

    Moving object identification and event recognition in video surveillance systems

    Güvenlik amaçlı video sistemlerinde hareketli nesnelerin tanınması ve olay analizi

    BURKAY BİRANT ÖRTEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2005

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    DOÇ.DR. AYDIN ALATAN

  4. Tez No

    184692

    Moving object detection, tracking and classification for smart video surveillance

    Akıllı video gözerimi için hareketli nesne bulma, takip etme ve sınıflandırma

    YİĞİTHAN DEDEOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Y.DOÇ.DR. UĞUR GÜDÜKBOY

  5. Tez No

    291676

    Object tracking for surveillance applications using thermal and visible band video data fusion

    Termal ve görünür video band veri tümleştirme kullanarak gözetleme uygulamaları için nesne takibi

    ÇİĞDEM BEYAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2010

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Bölümü

    YRD. DOÇ. DR. ALPTEKİN TEMİZEL

Geri Dön