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 | Silva, Lucas B. | - |
Autor(es): dc.creator | Junior, Uemerson P. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:21:16Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:21:16Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SIBGRAPI59091.2023.10347173 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/300774 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/300774 | - |
Descrição: dc.description | The recent studies on Video Surveillance Anomaly Detection focus only on the training methodology, utilizing pre-extracted feature vectors from videos. They give little attention to methodologies for feature extraction, which could enhance the final anomaly detection quality. Thus, this work presents a self-supervised methodology named Self-Supervised Object-Centric (SSOC) for extracting features from the relationship between objects in videos. To achieve this, a pretext task is employed to predict the future position and appearance of a reference object based on a set of past frames. The Deep Learning-based model used in the pretext task is then fine-tuned on Weak Supervised datasets for the downstream task, using the Multiple Instance Learning training strategy, with the goal of detecting anomalies in the videos. In the best case scenario, the results demonstrate an increase of 3.1% in AUC on the UCF Crime dataset and an increase of 2.8% in AUC on the CamNuvem dataset. | - |
Descrição: dc.description | Institute of Geosciences and Exact Sciences São Paulo State University, Sao Paulo | - |
Descrição: dc.description | Institute of Geosciences and Exact Sciences São Paulo State University, Sao Paulo | - |
Formato: dc.format | 115-120 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Brazilian Symposium of Computer Graphic and Image Processing | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Self-Supervised Feature Extraction for Video Surveillance Anomaly Detection | - |
Tipo de arquivo: dc.type | aula 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: