शहरी सुरक्षा के लिए मल्टीमॉडल एनामली डिटेक्शन: बड़े पैमाने पर निगरानी प्रणालियों में वास्तविक दुनिया का कार्यान्वयन

सार शहरी परिवेश में असामान्य घटनाओं की प्रभावी पहचान के लिए विविध डेटा मोडालिटीज का संश्लेषण आवश्यक है, जिसमें वीडियो, ऑडियो, और पर्यावरणीय सेंसर शामिल हैं। यह पत्र एक न्यूरल नेटवर्क-आधारित ढांचे का परिचय देता है जो एक लाइव महानगरीय परिदृश्य में रियल-टाइम मल्टीमॉडल एनामली डिटेक्शन के लिए लागू किया गया है। संयुक्त CNN-LSTM संरचना और ध्यान-आधारित फीचर संरेखण का उपयोग करते हुए, प्रणाली असमान प्रविष्टियों को एकीकृत करती है ताकि 57 घटना प्रकारों में एनामलियों को वर्गीकृत किया जा सके। 28 निगरानी क्षेत्रों में क्षेत्रीय कार्यान्वयन ने 93.4% की खोज सटीकता और प्रति फ्रेम समूह 0.89 सेकंड की औसत प्रोसेसिंग लेटेंसी का प्रदर्शन किया। परिणाम न्यूरल मॉडल के बड़े पैमाने पर, क्रॉस-मोडल शहरी सुरक्षा कार्यों के लिए कार्यान्वयन की संभावना और मजबूती को मान्य करते हैं।