Key points are not available for this paper at this time.
Die zunehmende Nutzung von Überwachungskameras in Smart Cities, verbunden mit dem Anstieg von Online-Videoanwendungen, hat die Bedenken hinsichtlich der öffentlichen Sicherheit und des Datenschutzes verstärkt. Dies hat die automatisierte Videoanomalieerkennung (VAD) zu einer grundlegenden Forschungsaufgabe innerhalb der künstlichen Intelligenz (KI) Gemeinschaft gemacht. Mit den Fortschritten im Deep Learning und Edge Computing hat sich VAD erheblich weiterentwickelt, und die Fortschritte haben sich mit aufkommenden Anwendungen in Smart Cities und dem Video-Internet synergisiert, was über den herkömmlichen Forschungshorizont der Algorithmus-Engineering hinaus zu deploybaren Netzwerksystemen für VAD (NSVAD) geführt hat, einem praktischen Hotspot für die Erforschung von Schnittstellen in den Bereichen KI, IoVT und Computing. In diesem Artikel skizzieren wir die grundlegenden Annahmen, Lernframeworks und anwendbaren Szenarien verschiedener, durch Deep Learning gesteuerter VAD-Ansätze und bieten ein umfassendes Tutorial für Anfänger in NSVAD. Darüber hinaus erläutert dieser Artikel zentrale Konzepte, indem er jüngste Fortschritte und typische Lösungen überprüft und verfügbare Forschungsressourcen unter https://github.com/fdjingliu/NSVAD aggregiert. Schließlich skizziert dieser Artikel zukünftige Entwicklungstrends und erörtert, wie die Integration von KI- und Computing-Technologien bestehende Forschungsherausforderungen angehen und offene Möglichkeiten fördern kann, und dient als aufschlussreicher Leitfaden für angehende Forscher und Ingenieure.
Liu et al. (Wed,) haben diese Frage untersucht.