Manifold Learning-based Clustering Approach Applied to Anomaly Detection in Surveillance Videos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.contributorPetr Brasileiro SA Petrobras-
Autor(es): dc.creatorLopes, Leonardo Tadeu [UNESP]-
Autor(es): dc.creatorValem, Lucas Pascotti [UNESP]-
Autor(es): dc.creatorGuimaraes Pedronette, Daniel Carlos [UNESP]-
Autor(es): dc.creatorGuilherme, Ivan Rizzo [UNESP]-
Autor(es): dc.creatorPapa, Joao Paulo [UNESP]-
Autor(es): dc.creatorSilva Santana, Marcos Cleison [UNESP]-
Autor(es): dc.creatorColombo, Danilo-
Autor(es): dc.creatorFarinella, G. M.-
Autor(es): dc.creatorRadeva, P.-
Autor(es): dc.creatorBraz, J.-
Data de aceite: dc.date.accessioned2022-02-22T00:56:50Z-
Data de disponibilização: dc.date.available2022-02-22T00:56:50Z-
Data de envio: dc.date.issued2021-06-25-
Data de envio: dc.date.issued2021-06-25-
Data de envio: dc.date.issued2019-12-31-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.5220/0008974604040412-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/209526-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/209526-
Descrição: dc.descriptionThe huge increase in the amount of multimedia data available and the pressing need for organizing them in different categories, especially in scenarios where there are no labels available, makes data clustering an essential task in different scenarios. In this work, we present a novel clustering method based on an unsupervised manifold learning algorithm, in which a more effective similarity measure is computed by the manifold learning and used for clustering purposes. The proposed approach is applied to anomaly detection in videos and used in combination with different background segmentation methods to improve their effectiveness. An experimental evaluation is conducted on three different image datasets and one video dataset. The obtained results indicate superior accuracy in most clustering tasks when compared to the baselines. Results also demonstrate that the clustering step can improve the results of background subtraction approaches in the majority of cases.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionPetrobras-
Descrição: dc.descriptionSao Paulo State Univ, UNESP, Dept Stat Appl Math & Comp, Rio Claro, SP, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, UNESP, Sch Sci, Bauru, SP, Brazil-
Descrição: dc.descriptionPetr Brasileiro SA Petrobras, Cenpes, Rio De Janeiro, RJ, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, UNESP, Dept Stat Appl Math & Comp, Rio Claro, SP, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, UNESP, Sch Sci, Bauru, SP, Brazil-
Descrição: dc.descriptionFAPESP: 2013/07375-0-
Descrição: dc.descriptionFAPESP: 2014/12236-1-
Descrição: dc.descriptionFAPESP: 2017/25908-6-
Descrição: dc.descriptionFAPESP: 2018/15597-6-
Descrição: dc.descriptionFAPESP: 2018/21934-5-
Descrição: dc.descriptionFAPESP: 2019/07825-1-
Descrição: dc.descriptionFAPESP: 2019/022055-
Descrição: dc.descriptionCNPq: 308194/20179-
Descrição: dc.descriptionCNPq: 307066/2017-7-
Descrição: dc.descriptionCNPq: 427968/2018-6-
Descrição: dc.descriptionPetrobras: 2017/00285-6-
Formato: dc.format404-412-
Idioma: dc.languageen-
Publicador: dc.publisherScitepress-
Relação: dc.relationProceedings Of The 15th International Joint Conference On Computer Vision, Imaging And Computer Graphics Theory And Applications, Vol 5: Visapp-
???dc.source???: dc.sourceWeb of Science-
Palavras-chave: dc.subjectClustering-
Palavras-chave: dc.subjectUnsupervised Manifold Learning-
Palavras-chave: dc.subjectAnomaly Detection-
Palavras-chave: dc.subjectVideo Surveillance-
Título: dc.titleManifold Learning-based Clustering Approach Applied to Anomaly Detection in Surveillance Videos-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.