Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/6730
Título : Estudo de caso para filtragem de falsos positivos na detecção de armas de fogo com autoencoders.
Autor : Alcantara, Lineker Aguiar
metadata.dc.contributor.advisor: Ribeiro, Eduardo da Silva
metadata.dc.contributor.referee: Torres, Luiz Carlos Bambirra
Medeiros, Talles Henrique de
Conceição, Bruno César Cota
Ribeiro, Eduardo da Silva
Palabras clave : Aprendizado do computador
Redes neurais - computação
Sistemas de segurança eletrônico
Videovigilância
Visão por computador
Fecha de publicación : 2024
Citación : ALCANTARA, Lineker Aguiar. Estudo de caso para filtragem de falsos positivos na detecção de armas de fogo com autoencoders. 2024. 58 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.
Resumen : Sistemas baseados em vídeos de segurança são atualmente essenciais para manutenção da segurança em locais públicos e privados como museus, estações de metrô, bancos ou lojas. No entanto, de acordo a quantidade de locais para monitoramento, bem como a quantidade de pessoas no local simultaneamente, maiores são as chances de fatores humanos como fadiga e cansaço atingir os operadores dos sistemas, tornando-os ineficientes com o passar do tempo. Devido os avanços da área da aprendizagem profunda e no campo de visão computacional este trabalho propõe um estudo sobre o impacto de objetos similares aos objetos alvo em modelos de detecção de objeto. Como um abordagem para lidar com a emissão de falsos positivos o uso de autoencoders como um filtro de falsos positivos que são comumente gerados pelo detector primário. O uso de imagens com objetos similares aos objetos alvos de detecção se mostrou prejudicial para os modelos construídos, com aumentos consideráveis na emissão de falsos positivos e falsos negativos. A abordagem utilizada do uso de autoencoders para tratativa da inserção de objetos similares, no entanto, não se mostrou eficaz para o problema, obtendo variações pouco significativas e em alguns casos em perda de precisão do modelo.
metadata.dc.description.abstracten: Security video-based systems are currently essential for maintaining security in public and private locations such as museums, subway stations, banks, or stores. However, depending on the number of locations to monitor and the quantity of people present simultaneously, the chances of human factors such as fatigue and exhaustion affecting the system operators increase, making them inefficient over time. Due to advancements in deep learning and computer vision, this work proposes a study on the impact of objects similar to the target objects in object detection models. As an approach to address the issue of false positives, the use of autoencoders is suggested as a filter for false positives commonly generated by the primary detector. The inclusion of images with objects similar to the target detection objects proved to be detrimental to the constructed models, resulting in significant increases in both false positives and false negatives. However, the approach of using autoencoders to handle the insertion of similar objects did not prove effective for the problem, showing little significant improvement and, in some cases, a loss of model precision.
URI : http://www.monografias.ufop.br/handle/35400000/6730
metadata.dc.rights.license: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Aparece en las colecciones: Engenharia de Computação - JMV

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_EstudoCasoFiltragem.pdf3,3 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.