XÂY DỰNG MÔ HÌNH HỌC SÂU ĐỂ PHÁT HIỆN SỰ BẤT THƯỜNG TRONG VIDEO

Abstract

Tội phạm là một hành động cố ý có thể gây ra tổn hại về thể chất, tâm lý hoặc thiệt hại tài sản. Với sự gia tăng về số lượng và hình thức tội phạm, các cơ quan chức năng buộc phải triển khai các chiến lược phòng ngừa và giảm thiểu các hoạt động hành vi gây hại đến đời sống của người dân hiệu quả hơn. Trước tình hình tội phạm hiện nay, các phương pháp truyền thống trong việc giải quyết tội phạm thường không mang lại hiệu quả và thiếu tính kịp thời. Do đó, nếu có thể dự đoán được tội phạm trước khi nó xảy ra, đồng thời hỗ trợ lực lượng thực thi pháp luật, thì điều này sẽ giúp giảm đáng kể gánh nặng cho cảnh sát và giúp ngăn chặn tội phạm nhanh chóng hơn. Để đạt được điều này, nghiên cứu đề xuất tích hợp các thuật toán học máy và thị giác máy tính. Trong nghiên cứu này, với một bộ dữ liệu được lấy từ UCF Crime dataset, bao gồm các video được sử dụng để phát hiện các bất thường trong thế giới thực thông qua học có giám sát. Bộ dữ liệu này gồm 128 giờ video, được chia thành tập huấn luyện và tập kiểm tra, và bao gồm 14 lớp: Lạm dụng (Abuse), Bắt giữ (Arrest), Phóng hỏa (Arson), Tấn công (Assault), Trộm cắp (Burglary), Nổ (Explosion), Đánh nhau (Fighting), Tai nạn đường bộ (Road Accidents), Cướp (Robbery), Nổ súng (Shooting), Ăn cắp vặt (Shoplifting), Trộm cắp (Stealing), Phá hoại (Vandalism), và một tập video “Bình thường” ghi lại các hoạt động hàng ngày không liên quan đến hành vi phạm tội. Ngoài ra, đề xuất sử dụng mô hình học sâu: ResNet18 để xây dựng mô hình có thể phân loại 13 loại tội phạm và 1 hoạt động bình thường. Từ khóa: Tội phạm UCF, phát hiện bất thường, thị giác máy tính, video phân lớp, nhận biết hành động