基于无监督学习与细粒度多标签识别的电梯客流异常活动捕获
计算机视觉与模式识别
2020-06-30 v1 机器学习
摘要
我们提出一种工作流，旨在通过多层住宅楼中电梯的客流来捕获居民的异常活动。电梯内安装有联网的摄像头与传感器（霍尔传感器、光电传感器、陀螺仪、加速度计、气压计和温度计）以采集图像与数据。应用实例分割、多标签识别、嵌入与聚类等计算机视觉算法来归纳电梯客流，即每层楼进出电梯的人数及人员类别。更具体地，在我们的实现中提出了 GraftNet——一种面向细粒度多标签识别任务的方案，用于识别人的属性，如性别、年龄、外貌与职业。随后在客流数据上层次化地应用无监督学习的异常检测，以捕获居民可能带来安全隐患的异常甚至违法活动，例如毒品交易、传销聚集、卖淫以及过度拥挤的居住。实验表明有一定效果，且捕获的记录将直接报告给我们的客户（物业管理者）以作进一步确认。
引用
@article{arxiv.2006.15873,
title = {Abnormal activity capture from passenger flow of elevator based on unsupervised learning and fine-grained multi-label recognition},
author = {Chunhua Jia and Wenhai Yi and Yu Wu and Hui Huang and Lei Zhang and Leilei Wu},
journal= {arXiv preprint arXiv:2006.15873},
year = {2020}
}
备注
9 pages, 8 figures, submitted to 34th Conference on Neural Information Processing System(NeurIPS 2020)