Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Short-Window Sliding Learning for Real-Time Violence Detection via LLM-based Auto-Labeling

Created by
  • Haebom
Category
Empty

저자

Seoik Jung, Taekyung Song, Yangro Lee, Sungjun Lee

개요

본 논문은 CCTV 영상의 실시간 폭력 감지를 위한 Short-Window Sliding Learning 프레임워크를 제안합니다. 기존의 긴 영상 기반 학습 방식과 달리, 1-2초 길이의 클립으로 영상을 분할하고, 대규모 언어 모델(LLM) 기반의 자동 캡션 라벨링을 적용하여 세분화된 데이터셋을 구축합니다. 각 짧은 클립은 모든 프레임을 활용하여 시간적 연속성을 유지하며, 급격한 폭력 사건을 정확하게 인식할 수 있습니다. 실험 결과, RWF-2000에서 95.25% 정확도를 달성하고, 긴 영상(UCF-Crime: 83.25%)에서도 성능을 크게 향상시켜, 지능형 감시 시스템에서의 강력한 일반화 능력과 실시간 적용 가능성을 입증했습니다.

시사점, 한계점

•
시사점:
◦
실시간 폭력 감지를 위한 효과적인 프레임워크 제시
◦
LLM 기반의 자동 캡션 라벨링을 활용하여 데이터셋 구축 효율성 향상
◦
짧은 클립 기반 학습을 통해 빠른 폭력 사건 인식 가능
◦
다양한 데이터셋(RWF-2000, UCF-Crime)에서 높은 성능 달성
◦
지능형 감시 시스템에 실질적으로 적용 가능
•
한계점:
◦
구체적인 프레임워크 구조 및 세부 구현 방식에 대한 설명 부족
◦
LLM 기반 자동 캡션 라벨링의 정확성 및 한계에 대한 추가적인 분석 필요
◦
다른 폭력 감지 방법과의 비교 분석 부족
◦
실제 환경에서의 성능 검증에 대한 추가적인 연구 필요
👍
Made with Slashpage