A cloud-based deep learning system for improving crowd safety at event entrances

要約

大規模なイベントの入り口での混雑は、特にイベントに早く到着するために人々が互いに押し合い始めると、重大かつ生命を脅かす状況につながる可能性があります.
プッシュ行為を自動的かつタイムリーに特定するシステムは、主催者や治安部隊が早期に介入して危険な状況を緩和するのに役立ちます。
この論文では、混雑したイベント入場のライブビデオストリームで自動的にプッシュを早期に検出するためのクラウドベースのディープラーニングシステムを提案します。
提案されたシステムは、主に 2 つのモデルに依存しています。事前にトレーニングされたディープ オプティカル フローと、EfficientNetV2B0 分類器の適応バージョンです。
オプティカル フロー モデルは、ライブ ビデオ ストリーム内の群衆の動きの特徴を抽出し、分類器は群衆の動きを分析し、ライブ ストリーム内のプッシュ パッチに注釈を付けます。
5 つの現実世界の実験とそれに関連するグラウンド トゥルース データに基づいて新しいデータセットが生成され、適応された EfficientNetV2B0 モデルがトレーニングされます。
実験の状況は、混雑したイベントの入り口をシミュレートし、社会心理学者が各ビデオ実験のグラウンド トゥルースを手動で作成しました。
提案されたシステムの精度と注釈遅延時間を評価するために、ビデオと生成されたデータセットに関するいくつかの実験が実行されます。
さらに、専門家はシステムのアノテーション結果を手動で修正しました。
調査結果は、システムが許容可能な遅延時間内に 89% の精度でプッシュ動作を識別したことを示しています。

要約(オリジナル)

Crowding at the entrances of large events may lead to critical and life-threatening situations, particularly when people start pushing each other to reach the event faster. A system for automatic and timely identification of pushing behavior would help organizers and security forces to intervene early and mitigate dangerous situations. In this paper, we propose a cloud-based deep learning system for early detection of pushing automatically in the live video stream of crowded event entrances. The proposed system relies mainly on two models: a pre-trained deep optical flow and an adapted version of the EfficientNetV2B0 classifier. The optical flow model extracts the characteristics of the crowd motion in the live video stream, while the classifier analyses the crowd motion and annotates pushing patches in the live stream. A novel dataset is generated based on five real-world experiments and their associated ground truth data to train the adapted EfficientNetV2B0 model. The experimental situations simulated a crowded event entrance, and social psychologists manually created the ground truths for each video experiment. Several experiments on the videos and the generated dataset are carried out to evaluate the accuracy and annotation delay time of the proposed system. Furthermore, the experts manually revised the annotation results of the system. Findings indicate that the system identified pushing behaviors with an accuracy rate of 89% within an acceptable delay time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google