वीडियो निगरानी के लिए जटिल पथों के ऑनलाइन शिक्षण और वर्गीकरण के लिए एक मल्टीलेवल मॉडलिंग दृष्टिकोण

यह पेपर मल्टीलेवल गॉसियन मिश्रण मॉडल (MLGMM) का प्रस्ताव करता है, जो जटिल गति पथों के ऑनलाइन, बिना पर्यवेक्षण के मॉडलिंग के लिए एक नवीनतम एल्गोरिदम है, जो वीडियो निगरानी में तेजी और विश्वसनीयता के साथ असामान्य पथ पहचान की अनुमति देता है। प्रस्तुत दृष्टिकोण सीधे लक्ष्यों का ट्रैकिंग या अवलोकन को अलग-अलग लक्ष्यों से संबंधित पथों में से किसी एक में श्रेणीबद्ध करने से नहीं निपटता है। इसके बजाय, यह एक अवलोकनों की श्रृंखला को इनपुट के रूप में प्राप्त करता है और उन्हें एक विश्वसनीय, फिर भी संभवतः शोर युक्त, ट्रैकर द्वारा उत्पन्न मानता है। इसके आउटपुट के रूप में, यह इनपुट श्रृंखला को "सामान्य" या "असामान्य" पूरे पथ के रूप में लेबल करता है। सामान्य और असामान्य पथ क्षेत्रों को प्रशिक्षण चरण के दौरान बिना पर्यवेक्षण के तरीके से सीखा जाता है और क्लासिफायर के चलने के दौरान अपडेट किया जा सकता है, इसके कम गणनात्मक जटिलता के कारण। योगदान की नवीनता दो गुना है। सबसे पहले, MLGMM短期 और लंबे समय तक ट्रांजिशन का सुसंगत तरीके से प्रतिनिधित्व करने में सक्षम है, इस प्रकार लंबे और जटिल पथों का सटीक प्रतिनिधित्व और उन्हें सामान्य या असामान्य के रूप में विश्वसनीय लेबलिंग की अनुमति देता है। दूसरा, यह सीखने की प्रक्रिया को भेदभाव प्रक्रिया के साथ समानांतर में चलाने की अनुमति देता है, ताकि मॉडल को विकसित होने वाली संचालन स्थितियों के अनुसार अनुकूलन का समर्थन मिले। प्रयोगात्मक परिणाम दर्शाते हैं कि MLGMM साहित्य में कई तुलनीय दृष्टिकोणों से बेहतर प्रदर्शन करता है।