Bilgi damıtma ile vıdeo anomali tespiti

Teknolojinin gelişmesiyle, video gözetleme sistemleri tarafından büyük miktarda görsel veri oluşturulmakta, dolayısıyla bu durum, insan operatörler tarafından video verilerindeki anormallikleri aramayı, analiz etmeyi ve tespit etmeyi daha zor hale getirmektedir. Bu yüzden, video anomali tespiti, sahnelerdeki sıra dışı ve önemli örüntüleri seçerek analiz edilecek video verilerini en aza indirme potansiyeli kapsamında, akıllı video gözetleme sistemleri için kritik bir görev haline gelmiştir. Videolardaki anomali örüntülerinin tespit edilmesi, karmaşık sahneler, geniş anomali çeşitliliği ve görevin belirsiz doğası sebebiyle zorlu bir işlemdir. Bu tez kapsamında, hem anormal olayların esnek bir şekilde tespiti hem de yeni videolardaki farklı anomali örüntülerine kademeli bir şekilde uyum sağlanması amacıyla önceki video verilerinden öğrenilen anomali örüntülerini unutmadan, yeni videolardaki anomali örüntülerini tespit edebilmek için üç özgün ilişkisel (relational) bilgi damıtma (knowledge distillation) yöntemi ve üç topluluk tabanlı (ensemble based) bilgi damıtma yöntemi sunulmuştur. Önerilen ilişkisel bilgi damıtma yöntemleri, öğretmen (teacher) modelinden öğrenci (student) modeline zengin ve yapısal bilgi transferi sağlamak için, özellik (feature) ve ilişki tabanlı bilgi damıtma yaklaşımı ile birlikte özgün bir dikkat (attention) mekanizması kullanırken, topluluk tabanlı bilgi damıtma yöntemleri, farklı ağ yapılarına sahip çoklu öğretmen modellerinden bilgi transferi sağlayarak, öğrenci modelin yeni veriye adaptasyon sürecine destek olmaktadır. Önerilen bilgi damıtma yöntemleri, iki state-of-the-art anormali tespit modeli üzerinde uygulanmıştır. Ayrıca önerilen yöntemler iki video anomali veri setinde kapsamlı bir şekilde değerlendirilmiş ve elde edilen sonuçların detaylı analizi sunulmuştur.