Detección de anomalías de video para preservar la privacidad: una encuesta

Área de la Ciencia:

• Inteligencia artificial
• Visión por computadora
• Ciberseguridad

Sus antecedentes:

• La detección de anomalías de video (VAD) es crucial para la seguridad pública, pero plantea preocupaciones de privacidad debido a la información de identificación personal en las imágenes de vigilancia.
• Los sistemas de VAD existentes a menudo carecen de transparencia, lo que limita las aplicaciones en el mundo real y la confianza del público.
• La preservación de la privacidad VAD (P2VAD) ha surgido como un punto caliente de investigación, sin embargo, los estudios actuales están fragmentados y a menudo pasan por alto la filtración de privacidad y el sesgo de apariencia.

Objetivo del estudio:

• Revisar sistemáticamente el progreso de la detección de anomalías de vídeo para la preservación de la privacidad (P2VAD).
• Definir el alcance y proporcionar una taxonomía intuitiva para la investigación P2VAD.
• Identificar los desafíos y las oportunidades para el futuro desarrollo y despliegue de P2VAD.

Principales métodos:

• Revisión exhaustiva de la literatura sobre la investigación del P2VAD.
• Desarrollo de una nueva taxonomía para clasificar los enfoques P2VAD.
• Análisis de los supuestos, marcos de aprendizaje y objetivos de optimización de varios métodos P2VAD.
• Evaluación de las fortalezas, debilidades y correlaciones potenciales entre los diferentes enfoques.

Principales resultados:

• Este artículo presenta la primera revisión sistemática del P2VAD, ofreciendo una visión general estructurada del campo.
• Se proporciona una taxonomía clara, categorizando los métodos P2VAD en función de sus enfoques para la preservación de la privacidad.
• Se analizan las fortalezas, debilidades e interconexiones de varias técnicas P2VAD.

Conclusiones:

• La revisión pone de relieve el carácter fragmentado de la investigación actual sobre P2VAD e identifica lagunas, en particular en lo que se refiere a los métodos basados en secuencias RGB.
• Se proporcionan recursos de acceso abierto, incluidos conjuntos de datos y códigos, para facilitar la investigación adicional.
• Se discuten los retos clave y las oportunidades futuras para guiar los avances en el desarrollo de la IA y el despliegue de P2VAD.