Video anomaly detection using knowledge distillation
Bilgi damıtma ile vıdeo anomali tespiti
- Tez No: 896648
- Danışmanlar: PROF. DR. AHMET BURAK CAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 110
Özet
Teknolojinin gelişmesiyle, video gözetleme sistemleri tarafından büyük miktarda görsel veri oluşturulmakta, dolayısıyla bu durum, insan operatörler tarafından video verilerindeki anormallikleri aramayı, analiz etmeyi ve tespit etmeyi daha zor hale getirmektedir. Bu yüzden, video anomali tespiti, sahnelerdeki sıra dışı ve önemli örüntüleri seçerek analiz edilecek video verilerini en aza indirme potansiyeli kapsamında, akıllı video gözetleme sistemleri için kritik bir görev haline gelmiştir. Videolardaki anomali örüntülerinin tespit edilmesi, karmaşık sahneler, geniş anomali çeşitliliği ve görevin belirsiz doğası sebebiyle zorlu bir işlemdir. Bu tez kapsamında, hem anormal olayların esnek bir şekilde tespiti hem de yeni videolardaki farklı anomali örüntülerine kademeli bir şekilde uyum sağlanması amacıyla önceki video verilerinden öğrenilen anomali örüntülerini unutmadan, yeni videolardaki anomali örüntülerini tespit edebilmek için üç özgün ilişkisel (relational) bilgi damıtma (knowledge distillation) yöntemi ve üç topluluk tabanlı (ensemble based) bilgi damıtma yöntemi sunulmuştur. Önerilen ilişkisel bilgi damıtma yöntemleri, öğretmen (teacher) modelinden öğrenci (student) modeline zengin ve yapısal bilgi transferi sağlamak için, özellik (feature) ve ilişki tabanlı bilgi damıtma yaklaşımı ile birlikte özgün bir dikkat (attention) mekanizması kullanırken, topluluk tabanlı bilgi damıtma yöntemleri, farklı ağ yapılarına sahip çoklu öğretmen modellerinden bilgi transferi sağlayarak, öğrenci modelin yeni veriye adaptasyon sürecine destek olmaktadır. Önerilen bilgi damıtma yöntemleri, iki state-of-the-art anormali tespit modeli üzerinde uygulanmıştır. Ayrıca önerilen yöntemler iki video anomali veri setinde kapsamlı bir şekilde değerlendirilmiş ve elde edilen sonuçların detaylı analizi sunulmuştur.
Özet (Çeviri)
With advent of technology, tremendous size of visual data is being generated by video surveillance systems, which makes harder to search, analyze, and detect anomalies on video data by human operators. Consequently, video anomaly detection has become a vital task for smart video surveillance systems because of it's significant potential to minimize the video data to be analysed by choosing unusual and critical patterns in the scenes. Detecting anomaly patterns in videos is a challenging task due to complex scenes, huge diversity of anomalies, and fuzzy nature of the task. In this thesis, we introduce three novel relational knowledge distillation methods and three novel ensemble based knowledge distillation methods to handle both robust detection of anomalous events and gradual adaptation to different anomaly patterns in new videos while not forgetting anomaly patterns learned from the previous video data. Our relational knowledge distillation methods utilize feature and relation based knowledge distillation method with a unique attention mechanism to provide rich and structured information transfer from teacher to student model. Additionally, our ensemble based knowledge distillation methods leverages the adaptation process by providing information transfer from multiple teacher models with different network structures. The proposed knowledge distillation methods are implemented on two state-of-the-art anomaly detection models. We extensively evaluate our methods on two public video anomaly datasets and present detailed analysis of our results.
Benzer Tezler
- Fine tuning of global models: Localization of anomaly detection for video surveillance and user-adaptation for BCI spellers
Küresel modellerin ince ayarı: Video gözetimi için anomali tespiti yerelleştirmesi ve BCI yazımcıları için kullanıcı uyarlaması
SONER ÖZGÜN PELVAN
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- Video anomaly detection using morphological processes
Morfolojik işlemler kullanarak video anomali tespiti
ABDÜLKADİR GÜMÜŞÇÜ
Yüksek Lisans
İngilizce
2012
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ
- Hibrit makina öğrenmesi algoritmalarıyla video görüntülerinde anomali tespiti
Video anomaly detection with hybrid machine learning algorithms
HAYATİ TUTAR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ GÜNEŞ
- Anomaly detection using sparse features and spatio-temporal hidden Markov model for pedestrian zone video surveillance
Seyrek öznitelikler ve uzay-zamansal gizli Markov modelleri kullanılarak yaya bölgelerinde video gözetleme için aykırılık tespiti
AYŞE ELVAN GÜNDÜZ
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
YRD. DOÇ. DR. TUĞBA TAŞKAYA TEMİZEL
DOÇ. DR. ALPTEKİN TEMİZEL
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN