Resumen de Deep Learning Neural Networks to Detect Anomalies in Video Sequences
El principal problema abordado en esta tesis doctoral es la detección de anomalías de primer plano en secuencias de video genéricas mediante el uso de técnicas de Aprendizaje Profundo especialmente enfocadas a ser robustas al ruido en las imágenes. Como problema derivado, se trata el análisis de secuencias de tráfico utilizando las mismas herramientas. Se incluye un compendio de ocho trabajos.
El primero de ellos sobre la aceleración de métodos de Segmentación de Primer Plano mediante el preprocesamiento de las imágenes para alterar su tamaño minimizando la pérdida de calidad en la segmentación final. El segundo trabajo versa sobre la aplicación de redes auto-codificadoras a parches solapados de la imagen para obtener una codificación que luego es analizada mediante un modelo probabilístico. El tercer trabajo propone un método basado en segmentar semánticamente a nivel de píxel los objetos de las imágenes para analizar su movimiento y así identificar el primer plano. El cuarto trabajo realiza un estudio sobre cómo el tipo y entrenamiento de las redes autocodificadoras afectan a los modelos de Segmentación de Primer Plano basados en parches. El quinto trabajo estudia el uso de filtros clásicos y redes auto-codificadoras para limpiar las imágenes como paso previo a utilizar métodos clásicos de Segmentación de Primer Plano y así incrementar la resistencia del sistema al ruido. El sexto propone un método de análisis de velocidades de vehículos para estimar la polución generada por estos basándose únicamente en imágenes conseguidas mediante cámaras de tráfico. El séptimo trabajo propone una estimación de velocidades relativas de otros vehículos a partir de las imágenes grabadas por una cámara incorporada al propio vehículo. Por último, el octavo trabajo que compone esta tesis refina el uso de redes auto-codificadoras para Segmentación de Primer Plano de trabajos anteriores eliminando la necesidad de dividir la imagen en parches.
