Neuromorphic Vision-Based Traffic Anomaly Detection

Detalhes bibliográficos
Autor(a) principal: Cardoso, Henrique Ferreira
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/105953
Resumo: Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_824d85b030b79aea0afd4d633acc678d
oai_identifier_str oai:estudogeral.uc.pt:10316/105953
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Neuromorphic Vision-Based Traffic Anomaly DetectionNeuromorphic Vision-Based Traffic Anomaly DetectionDeteção de AnomaliasCâmaras de EventosGenerative Adversarial NetworksMonitorizaçãoAnomaly DetectionEvent CamerasGenerative Adversarial NetworksMonitoringDissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaAnomaly detection is a crucial aspect of ensuring public safety in modern society. With the increasing use of automated systems and intelligent technologies, the ability to detect anomalous events in real-time has become more critical than ever. The proposed models in this work demonstrate the potential of using Generative Adversarial Networks (GANs) for Abnormal Event Detection (AED).The data used in this work is obtained through the use of Event Cameras (ECs), which are a significant advantage over traditional cameras, as ECs operate by measuring changes in brightness in each pixel independently, allowing them to detect motion with a very high temporal resolution, which makes them well-suited for tasks such as real-time monitoring and other applications where high temporal resolution is important. The dynamic range of ECs enables them to capture images with higher efficiency in challenging conditions, such as low light or high contrast environments, surpassing the performance of conventional cameras. This dissertation explores the use of GANs for AED in pedestrian contexts using event-based data in order to demonstrate the potential of these techniques, attempting to help improve the safety and efficiency of modern surveillance systems. Specifically, this work validates two GAN models, a conditional GAN (cGAN) and the Pix2Pix model, both making use of PatchGAN as a discriminator, to generate realistic and representative images from event-based data. The generated images are then used to detect whether an event is normal or abnormal, with the aim of seeing these events in real-world scenes.Overall, this work benefits from the growing body of research on using GANs for computer vision tasks and demonstrates their potential to be used in real-world applications such as surveillance monitoring. The results of this work provide validation for existing research in this area adapted for AED tasks.A deteção de anomalias é um aspeto crucial da segurança pública na sociedade moderna. Com o aumento do uso de sistemas automatizados e tecnologias inteligentes, a capacidade de detetar eventos anómalos em tempo real tornou-se mais crítica do que nunca. Os modelos propostos neste trabalho demonstram o potencial do uso de Generative Adversarial Networks (GANs) para a Deteção de Eventos Anómalos (AED).Os dados utilizados neste trabalho são obtidos através do uso de Câmaras de Eventos (ECs), que representam uma vantagem significativa relativamente às câmaras tradicionais, visto que estas operam ao medir mudanças de brilho em cada pixel de forma independente, o que lhes permite detetar o movimento com uma resolução temporal muito elevada, tornando-as adequadas para tarefas como monitorização em tempo real e outras aplicações onde a alta resolução temporal é importante. A gama dinâmica das ECs permite-lhes capturar imagens com maior eficiência em condições aadversas, tais como ambientes com pouca luz ou com alto contraste, superando o desempenho das câmaras convencionais.Esta dissertação explora o uso de GANs para AED em contextos pedestres usando dados de eventos, a fim de demonstrar o potencial dessas técnicas, tentando ajudar a melhorar a segurança e eficiência dos sistemas de vigilância modernos. Especificamente, este trabalho valida dois modelos de GANs, uma conditional GAN (cGAN) e o modelo Pix2Pix, em que ambos fazem uso de uma PatchGAN enquanto discriminador, para gerar imagens realistas e representativas a partir de dados baseados em eventos. As imagens geradas são então usadas para detetar se um evento é normal ou anómalo, com o objetivo de ver esses eventos em cenas reais.No geral, este trabalho beneficia da crescente pesquisa sobre o uso de GANs para tarefas de Visão por Computador e demonstra o seu potencial para serem usados em aplicações reais, tais como monitorização de vigilância. Os resultados deste trabalho fornecem validação para a pesquisa existente nesta área, adaptada para tarefas de AED.2023-02-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/105953http://hdl.handle.net/10316/105953TID:203249941engCardoso, Henrique Ferreirainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-16T21:31:55Zoai:estudogeral.uc.pt:10316/105953Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:22:26.173434Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Neuromorphic Vision-Based Traffic Anomaly Detection
Neuromorphic Vision-Based Traffic Anomaly Detection
title Neuromorphic Vision-Based Traffic Anomaly Detection
spellingShingle Neuromorphic Vision-Based Traffic Anomaly Detection
Cardoso, Henrique Ferreira
Deteção de Anomalias
Câmaras de Eventos
Generative Adversarial Networks
Monitorização
Anomaly Detection
Event Cameras
Generative Adversarial Networks
Monitoring
title_short Neuromorphic Vision-Based Traffic Anomaly Detection
title_full Neuromorphic Vision-Based Traffic Anomaly Detection
title_fullStr Neuromorphic Vision-Based Traffic Anomaly Detection
title_full_unstemmed Neuromorphic Vision-Based Traffic Anomaly Detection
title_sort Neuromorphic Vision-Based Traffic Anomaly Detection
author Cardoso, Henrique Ferreira
author_facet Cardoso, Henrique Ferreira
author_role author
dc.contributor.author.fl_str_mv Cardoso, Henrique Ferreira
dc.subject.por.fl_str_mv Deteção de Anomalias
Câmaras de Eventos
Generative Adversarial Networks
Monitorização
Anomaly Detection
Event Cameras
Generative Adversarial Networks
Monitoring
topic Deteção de Anomalias
Câmaras de Eventos
Generative Adversarial Networks
Monitorização
Anomaly Detection
Event Cameras
Generative Adversarial Networks
Monitoring
description Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2023
dc.date.none.fl_str_mv 2023-02-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/105953
http://hdl.handle.net/10316/105953
TID:203249941
url http://hdl.handle.net/10316/105953
identifier_str_mv TID:203249941
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134113611907072

Registros relacionados