| 000 | 00000nam c2200205 c 4500 | |
| 001 | 000045979116 | |
| 005 | 20230526134739 | |
| 007 | ta | |
| 008 | 181227s2019 ulka bmAC 000c kor | |
| 040 | ▼a 211009 ▼c 211009 ▼d 211009 | |
| 085 | 0 | ▼a 0510 ▼2 KDCP |
| 090 | ▼a 0510 ▼b 6D36 ▼c 1095 | |
| 100 | 1 | ▼a 박종재 ▼g 朴鍾宰 |
| 245 | 1 0 | ▼a 분리된 움직임 특징을 이용한 단계적 처리 기반 범죄 탐지 프레임워크 / ▼d 朴鍾宰 |
| 246 | 1 1 | ▼a A framework for crime detection based on stepwise process using separate motion feature |
| 246 | 3 1 | ▼a Framework for crime detection based on stepwise process using separate motion feature |
| 260 | ▼a 서울 : ▼b 고려대학교 대학원, ▼c 2019 | |
| 300 | ▼a 37장 : ▼b 천연색삽화 ; ▼c 26 cm | |
| 500 | ▼a 지도교수: 이성환 | |
| 502 | 0 | ▼a 학위논문(석사)-- ▼b 고려대학교 대학원, ▼c 컴퓨터·전파통신공학과, ▼d 2019. 2 |
| 504 | ▼a 참고문헌: 장 33-37 | |
| 530 | ▼a PDF 파일로도 이용가능; ▼c Requires PDF file reader(application/pdf) | |
| 653 | ▼a 딥러닝 ▼a 감시영상 ▼a 범죄탐지 | |
| 776 | 0 | ▼t 분리된 움직임 특징을 이용한 단계적 처리 기반 범죄 탐지 프레임워크 ▼w (DCOLL211009)000000082583 |
| 900 | 1 0 | ▼a Park, Jong-jae, ▼e 저 |
| 900 | 1 0 | ▼a 이성환, ▼g 李晟瑍, ▼d 1962-, ▼e 지도교수 ▼0 AUTH(211009)151678 |
| 945 | ▼a KLPA |
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 과학도서관/학위논문서고/ | 청구기호 0510 6D36 1095 | 등록번호 123060857 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. 2 | 소장처 과학도서관/학위논문서고/ | 청구기호 0510 6D36 1095 | 등록번호 123060858 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
초록
감시영상에서 사람의 행동을 인식하는 분야는 최근 신경망의 발달로 성능이 개선되면서 많은 관심을 받고 있다. 그 중 공공안전에 큰 영향을 주는 범죄 행동을 탐지하는 분야는 중요한 문제이다. 같은 범죄 행동이라도 사람의 자세, 외형, 움직임뿐 아니라 시점 변화, 밝기 차이, 가려짐 같은 환경적인 변화가 존재한다. 범죄 행동은 그 목적 때문에 일반적인 행동과 다른 특성의 패턴을 보여주는 행동들이 많다. 특히 범죄자나 피해자의 행동들은 빠른 움직임을 보여주는 경우가 많다. 또한 직접적으로 범죄에 관련된 행동이 아닌 배경 정보 역시 범죄를 탐지하는데 중요한 역할을 한다. 이러한 점을 다루기 위해 본 논문에서는 빠른 행동이 발생하는 구역의 특징을 따로 구분하여 학습하는 방법을 제안한다. 또한 두 층의 LSTM을 구성하여 첫 번째 층에서는 배경 정보를 처리하고 두 번째 층에서는 집중적으로 봐야 하는 빠른 행동이 일어나는 구역의 특징을 처리한다. 우리는 범죄 영상 데이터셋에서의 평가를 통해 제안한 방법이 범죄 행동 탐지 성능을 개선하는데 효과가 있음을 확인한다.
목차
1. 서론 1 2. 관련 연구 4 3. 본론 10 3.1. 빠른 동작에 대한 확률 지도 생성 13 3.2. 확률 지도를 이용한 빠른 동작 특징과 느린 동작 특징 분리 15 3.3. 두 층의 LSTM에 특징 벡터 학습 18 4. 실험 24 4.1. 데이터셋 24 4.2. 세부 사항 25 4.3. 실험 결과 27 5. 결론 및 향후 연구 32
