
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | de Paula, Davi D. | - |
| Autor(es): dc.creator | Salvadeo, Denis H. P. | - |
| Autor(es): dc.creator | de Araujo, Darlan M. N. | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T17:48:17Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T17:48:17Z | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2023-07-29 | - |
| Data de envio: dc.date.issued | 2022-11-30 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/s222410016 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246517 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246517 | - |
| Descrição: dc.description | (1) Background: The research area of video surveillance anomaly detection aims to automatically detect the moment when a video surveillance camera captures something that does not fit the normal pattern. This is a difficult task, but it is important to automate, improve, and lower the cost of the detection of crimes and other accidents. The UCF–Crime dataset is currently the most realistic crime dataset, and it contains hundreds of videos distributed in several categories; it includes a robbery category, which contains videos of people stealing material goods using violence, but this category only includes a few videos. (2) Methods: This work focuses only on the robbery category, presenting a new weakly labelled dataset that contains 486 new real–world robbery surveillance videos acquired from public sources. (3) Results: We have modified and applied three state–of–the–art video surveillance anomaly detection methods to create a benchmark for future studies. We showed that in the best scenario, taking into account only the anomaly videos in our dataset, the best method achieved an AUC of 66.35%. When all anomaly and normal videos were taken into account, the best method achieved an AUC of 88.75%. (4) Conclusion: This result shows that there is a huge research opportunity to create new methods and approaches that can improve robbery detection in video surveillance. | - |
| Descrição: dc.description | IGCE—Institute of Geosciences and Exact Sciences UNESP—São Paulo State University, SP | - |
| Descrição: dc.description | IGCE—Institute of Geosciences and Exact Sciences UNESP—São Paulo State University, SP | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Sensors | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | activity recognition | - |
| Palavras-chave: dc.subject | dataset | - |
| Palavras-chave: dc.subject | deep learning | - |
| Palavras-chave: dc.subject | human behaviour analysis | - |
| Palavras-chave: dc.subject | video anomaly detection | - |
| Palavras-chave: dc.subject | video surveillance | - |
| Palavras-chave: dc.subject | weakly supervised | - |
| Título: dc.title | CamNuvem: A Robbery Dataset for Video Anomaly Detection | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: