Enfoque de aprendizaje activo basado en umbrales para la detección de violencia física en imágenes de vídeo utilizando modelos de redes neuronales profundas preentrenadas

Abstract

Enfoque de aprendizaje activo basado en umbrales para la detección de violencia física en imágenes de vídeo utilizando modelos de redes neuronales profundas preentrenadas

Hoy, la seguridad humana ha desempeñado un papel clave en la sociedad, que implica la detección rápida de acciones violentas. Esta tarea suele llevarse a cabo mediante la inspección visual humana de los vídeos tomados por las cámaras de videovigilancia, lo que resulta tedioso. Debido a esto, se han implementado varios enfoques de aprendizaje profundo para eliminar el ojo humano en esta tarea, lográndose resultados favorables. Una de las principales dificultades en la detección de violencia en vídeo es la diversidad de escenarios que pueden presentarse, lo que ha impulsado el uso de diversos modelos entrenados en un único conjunto de datos o en unos pocos tipos de vídeos.

En la presente investigación, se propone un enfoque para la identificación de la violencia basado en el aprendizaje activo dividido en dos etapas: en la inicial se utilizan modelos de redes neuronales preentrenados para el entrenamiento de un modelo. Para identificar las imágenes que el clasificador no puede detectar, se utiliza la técnica de muestreo de incertidumbre por medio de un umbral μ, que cuantifica la incertidumbre que tiene el clasificador para clasificar una imagen. En consecuencia, esas imágenes ambiguas se incluyen en el conjunto de datos de entrenamiento. En la segunda etapa, el modelo se evalúa con vídeos de otros entornos y el umbral μ se vuelve a aplicar para detectar las imágenes ambiguas, que luego son analizadas por un experto humano para determinar la clase real y eliminar así la ambigüedad en ellas. Las imágenes ambiguas ya etiquetadas por el experto humano se añaden al conjunto de entrenamiento original y se vuelve a entrenar el clasificador. Este proceso se repite mientras existan imágenes ambiguas. Durante este proceso de aprendizaje activo, el clasificador puede detectar la violencia en diversos escenarios.

El modelo es una red neuronal híbrida que utiliza el aprendizaje por transferencia para modificar una técnica de extracción de características basada en arquitecturas de redes neuronales convolucionales, que se ha aplicado con éxito a la identificación de la violencia en vídeo. Los resultados experimentales indican que es posible utilizar el modelo propuesto para detectar la violencia en diversos escenarios.