تشخیص ازدحام و رفتارهای جمعیتی غیر عادی در دوربین های مداربسته شهرهای هوشمند با استفاده از یادگیری عمیق

مدیریت هوشمند جمعیت در شهرهای مدرن با چالش فزاینده ای در زمینه تشخیص لحظه ای ازدحام و شناسایی رفتارهای غیرعادی جمعیتی مواجه است. این مقاله مروری جامع و تخصصی بر پیشرفت های یادگیری عمیق در حوزه تشخیص ازدحام و ناهنجاری های جمعیتی در ویدئوهای نظارتی ارائه می دهد. رویکردهای معاصر در سه پارادایم اصلی دسته بندی می شوند: روش های مبتنی بر شناسایی اشیا که شامل معماری هایی نظیر CSRNet برای تخمین چگالی جمعیت می شود، روش های مبتنی بر استخراج ویژگی های مکانی زمانی با استفاده از شبکه های CNN سه بعدی و ترنسفورمرها، و روش های بازسازی و پیش بینی داده شامل خودرمزگذارها و شبکه های مولد. بررسی سیستماتیک مقالات برجسته از پایگاه های معتبر نظیر IEEE Xplore، ScienceDirect و Nature Scientific Reports نشان می دهد که مدل های ترکیبی Vision Transformer با دقت AUC بالای ۹۷ درصد در مجموعه داده ShanghaiTech و معماری های مبتنی بر گراف با کاهش ۳۰ درصدی هشدارهای اشتباه در سناریوهای واقعی عملکرد برجسته ای دارند. چالش های باقیمانده شامل نیاز به داده های آموزشی برچسب خورده گسترده، پیچیدگی محاسباتی و تعمیم به ناهنجاری های دیده نشده است که با ظهور یادگیری نیمه نظارتی، روش های کنتراستی و داده های شبیه سازی شده رفتاری در حال کاهش است.

کلیدواژه ها:

تشخیص ازدحام ، ناهنجاری جمعیتی ، یادگیری عمیق ، ترنسفورمر ، بینایی ، شهر هوشمند ، نظارت تصویری ، شبکه های توجه گرافی ، یادگیری چندنمونه ای ، ضعیف نظارت شده