Marco de aprendizaje profundo explicable para la detección de violencia en video mediante selección no supervisada de...

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El aumento de los datos de video requiere sistemas inteligentes y explicables para la detección de violencia en tiempo real.
• Los métodos existentes enfrentan desafíos con la redundancia, la transparencia y la generalización.

Objetivo del estudio:

• Proponer un novedoso marco de Red Neuronal Convolucional (CNN) explicable mejorada con atención para la detección de violencia en video.
• Abordar los problemas de redundancia, transparencia y generalización en la detección automatizada de violencia.

Principales métodos:

• Selección no supervisada de fotogramas clave mediante agrupamiento basado en similitud para reducir la carga computacional.
• Módulos de atención integrados en la CNN para un aprendizaje mejorado de características espacio-temporales.
• Grad-CAM++ para obtener información visual interpretable sobre las decisiones del modelo.

Principales resultados:

• Logró un rendimiento superior con una precisión promedio del 94,6% y una puntuación F1 del 93,9% en cinco conjuntos de datos de referencia.
• Superó a los modelos de última generación, incluidos C3D, I3D, ResNet-LSTM y ViViT.
• Demostró una eficiencia cercana a la de tiempo real (≈62 FPS) y un uso de memoria reducido (6,8 GB).

Conclusiones:

• El marco propuesto ofrece una solución robusta, eficiente y transparente para la detección automatizada de violencia en video.
• La selección de fotogramas clave y los mecanismos de atención mejoran significativamente el rendimiento del modelo.
• La interpretabilidad mejora la fiabilidad al resaltar las regiones relevantes para la violencia, adecuadas para la vigilancia y la seguridad pública.