การพัฒนาอัลกอริทึมตรวจจับความผิดปกติวิดีโอด้วยเทคนิคการเรียนรู้เชิงลึกแบบผสมผสาน

Development of video anomaly detection algorithm using hybrid deep learning techniques

Name: คมสัน โกเสนตอ

keyword: การตรวจจับความผิดปกติ

ThaSH: การเรียนรู้เชิงลึก (การเรียนรู้ของเครื่อง)

; ระบบเฝ้าระวัง

ThaSH: การวิเคราะห์ข้อมูลภาพ

; โมดูลหน่วยความจำ

ThaSH: การประมวลผลภาพ

; Adaptive Hybrid Integration Detection.

ThaSH: ดิจิทัลวิดีโอ

; Convolutional neural networks.

Abstract: การวิจัยนี้นำเสนอกรอบการทำงานแบบครอบคลุมในการตรวจจับและวิเคราะห์เหตุการณ์ ผิดปกติในระบบเฝ้าระวังวิดีโอ ผ่านแบบจำลองไฮบริดแบบบูรณาการที่เรียกว่า Adaptive Hybrid Integration Detection (AHID) โดยแบบจำลองนี้ถูกพัฒนาขึ้นเพื่อตรวจจับความผิดปกติ โดยใช้กลไกการเข้ารหัส (Autoencoder) เพื่อสร้างแบบจำลอง AHID โดยได้รับการประเมินผลบนชุดขัอมูลมาตรฐาน 3 ชุด คือ UCSD Ped2, CUHK Avenue และ ShanghaiTech มีความแม่นยำในการตรวจจับที่ 98.31%, 91.03% และ 94.02% ตามลำดับ พร้อมค่า AUC-ROC ที่ 96.78%, 94.23% และ 89.51% สำหรับชุดข้อมูล Ped2 แบบจำลองมีค่า Precision 91.83%, Recall 94.50% และ F1-Score 92.12% ขณะที่ชุดข้อมูล Avenue มีค่า Precision 88.52%, Recall 90.5696 และ F1-Score 92.03% ส่วนในชุดข้อมูล ShanghaiTech ซึ่งมีความท้าทายมากกว่า มีค่า Precision, Recall และ F1-Score อยู่ที่ 88.25%, 86.43% และ 84.92% ตามลำดับ ค่าเมตริกเหล่านี้แสดงให้เห็นถึงประสิทธิภาพที่แข็งแกร่งและปรับตัวได้ของแบบจำลอง AHID ในการตรวจจับความผิดปกติในสภาพแวดล้อมที่หลากหลาย

Abstract: This research presents a comprehensive framework for detecting and analyzing anomalies in video surveillance systems through an integrated hybrid model called Adaptive Hybrid Integration Detection (AHID). This model was developed to detect anomalies using an Autoencoder mechanism to construct the AHID model. It was evaluated on three benchmark datasets: UCSD Ped2, CUHK Avenue, and ShanghaiTech, achieving detection accuracies of 98.31%, 91.03%, and 94.02%, respectively, along with AUC-ROC scores of 96.7896, 94.2396, and 89.5196. For the Ped2 dataset. the model achieved a Precision of 91.83%, Recall of 94.50%, and F1-Score of 92.12%. For the Avenue dataset, it achieved a Precision of 88.52%, Recall of 90.56%, and F1-Score of 92.03%. In the more challenging ShanghaiTech dataset, it achieved a Precision of 88.25%, Recall of 86.43%, and F1-Score of 84.92%. These metrics demonstrate the robust and adaptive performance of the AHID model in detecting anomalies across diverse environments.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: มหศักดิ์ เกตุฉ่ำ

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : mahasak.k@it.kmutnb.ac.th

Created: 2567

Modified: 2568-09-03

Issued: 2568-09-03

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: เทคโนโลยีสารสนเทศ

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17713353.pdf	6.12 MB

ใช้เวลา

0.023349 วินาที