Detalles MARC
| 000 -CABECERA |
|---|
| Campo de control de longitud fija |
04247nam a22003977a 4500 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| Campo de control |
EC-UrYT |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| Campo de control |
20221206000925.0 |
| 008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
|---|
| Campo de control de longitud fija |
150116t9999 mx r gr 000 0 spa d |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro transcriptor |
EC-UrYT |
| 041 ## - CÓDIGO DE LENGUA |
|---|
| Código de lengua del texto/banda sonora o título independiente |
eng |
| Código de lengua del sumario o resumen |
spa |
| 100 1# - PUNTO DE ACCESO PRINCIPAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
12715 |
| Nombre de persona |
Aguilera Jaramillo, Mauricio Andres |
| Término indicativo de función |
autor |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Anomaly Detection System in Video Surveillance using Deep Learning Techniques / |
| Mención de responsabilidad etc. |
Mauricio Andres Aguilera Jaramillo, Daniel Alejandro Armijos Bustamante; tutor Guachi Guachi, Lorena de los Ángeles |
| 264 #4 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Lugar de producción |
Urcuquí, |
| Fecha de producción |
2020 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
81 hojas : |
| Otras características físicas |
ilustraciones (algunas a color) ; |
| Dimensiones |
30 cm + |
| Material anejo |
1 CD-ROM |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Trabajo de integración curricular |
| Tipo de título |
(Ingeniero/a en Tecnologías de la Información) |
| Nombre de la institución que otorga el título |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Ciudad de la institución que otorga el título |
Urcuquí, |
| Año de obtención del título |
2020 |
| 504 ## - NOTA DE BIBLIOGRAFÍA; ETC. |
|---|
| Nota de bibliografía etc. |
Incluye referencias bibliográficas (páginas 67-70) |
| 506 ## - NOTA DE RESTRICCIONES AL ACCESO |
|---|
| Limitaciones de acceso |
Trabajo de integración curricular con acceso abierto |
| 516 ## - NOTA DE TIPO DE ARCHIVO DE ORDENADOR O DE DATOS |
|---|
| Nota de tipo de archivo de ordenador o de datos |
Texto (Hypertexto Links) |
| 520 ## - NOTA DE SUMARIO; ETC. |
|---|
| Sumario etc. |
En el campo del análisis de videovigilancia, la detección de anomalías es una tarea esencial para garantizar la protección pública durante la detección de tramos que tienden a contener eventos inusuales como robos, asaltos, peleas, entre otros. Recientemente, Las Redes Neuronales Convolucionales (CNN en inglés), una categoría basada en técnicas de aprendizaje profundo (Deep Learning), ha mostrado un gran progreso en las tareas de visión por computadora, con aplicaciones relacionadas con la clasificación / reconocimiento de imágenes y vídeos, y mas específicamente para tareas de detección de anomalías. Sin embargo, no han sido capaces de manejar la precisión en escenarios reales debido a la presencia de ruido, contexto / situaciones específicas, variabilidad de como se definen los diferentes eventos, datos limitados para fines de entrenamiento, altos recursos computacionales necesarios para responder en tiempo real, entre otros. Este trabajo explora dos arquitecturas de CNN de clasificación de vídeo sobresalientes para analizar su estructura, su capacidad para ejecutarse en escenarios en tiempo real y la capacidad de clasificar adecuadamente los cuadros de vídeo en eventos normales y anormales. Tales anomalías incluyen abuso, arresto y asalto. También se presenta una nueva arquitectura de CNN, llamada Frankensnet, centrada en la clasificación de anomalías del cuadro de vídeo. Frankensnet tiene como objetivo tomar la caracter´ıstica estructural de las CNN exploradas, teniendo en cuenta la precisión lograda, la capacidad de detección en tiempo real y el tiempo de entrenamiento. Los experimentos se realizan en referencia al conjunto de datos UCF-Crime. Como resultados preliminares, este documento proporciona un punto de vista para seleccionar arquitecturas CNN para la identificación de anomalías, considerando la precisión, así como el tiempo de entrenamiento y ejecución. Ademas, FrankensNet demostró ser adecuado para escenarios que requieren una alta precisión. Sin embargo, entrenar la arquitectura toma aproximadamente el doble de tiempo que las arquitecturas exploradas. Finalmente, se proporciona un programa de escritorio para probar el rendimiento de cada arquitectura CNN en escenarios en tiempo real con tareas de detección de anomalías. |
| 546 ## - NOTA DE LENGUA |
|---|
| Nota de lengua |
Textos en inglés con resúmenes en español e inglés |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12716 |
| Término de materia o nombre geográfico como elemento inicial |
Video Classification |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
4865 |
| Término de materia o nombre geográfico como elemento inicial |
Computer vision. |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12717 |
| Término de materia o nombre geográfico como elemento inicial |
Anomaly Detection |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12718 |
| Término de materia o nombre geográfico como elemento inicial |
Con- volutional Neural Networks |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12719 |
| Término de materia o nombre geográfico como elemento inicial |
Clasificación de vídeo |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12720 |
| Término de materia o nombre geográfico como elemento inicial |
Visión por computadora |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12721 |
| Término de materia o nombre geográfico como elemento inicial |
Detección de anomalías |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12692 |
| Término de materia o nombre geográfico como elemento inicial |
Redes neuronales convolucionales |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
3891 |
| Término de materia o nombre geográfico como elemento inicial |
Tecnologías de la Información |
| Subdivisión de forma |
Trabajos y disertaciones adacémicas |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
12722 |
| Nombre de persona |
Armijos Bustamante, Daniel Alejandro |
| Término indicativo de función |
autor |
| 700 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
11296 |
| Nombre de persona |
Guachi Guachi, Lorena de los Ángeles |
| Término indicativo de función |
tutor |
| 710 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE ENTIDAD |
|---|
| Nombre de entidad o nombre de jurisdicción como elemento inicial |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Unidad subordinada |
Escuela de Ciencias Matemáticas Computacionales |
| 9 (RLIN) |
11232 |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Nota pública |
Ver recurso |
| Identificador Uniforme del Recurso (URI) |
http://repositorio.yachaytech.edu.ec/handle/123456789/183 |
| 942 ## - ENTRADA PARA ELEMENTOS AGREGADOS (KOHA) |
|---|
| Fuente de clasificación o esquema de ordenación en estanterías |
Clasificación Decimal Dewey |
| Koha [por defecto] tipo de item |
Tesis |
