[論文レビュー] I-SAFE: Instant Suspicious Activity identiFication at the Edge using Fuzzy Decision Making

Seyed Yahya Nikouei, Yu Chen+3 more|arXiv (Cornell University)|Sep 12, 2019

Anomaly Detection Techniques and Applications被引用数 8

ひとこと要約

I-SAFEは、監視映像におけるうろつき行動や異常行動を特定するため、ファジィ意思決定を用いたリアルタイムでエッジベースの不審行動検出システムを提案する。軽量なディープラーニング特徴量とドメインエキスパートが導いたファジィルールをエッジデバイスで統合することで、低遅延かつ最小限のネットワークオーバーヘッドで0.002秒という瞬時のアラートを実現し、最新の手法に比べてスピードとスケーラビリティで優れる。

ABSTRACT

Urban imagery usually serves as forensic analysis and by design is available for incident mitigation. As more imagery collected, it is harder to narrow down to certain frames among thousands of video clips to a specific incident. A real-time, proactive surveillance system is desirable, which could instantly detect dubious personnel, identify suspicious activities, or raise momentous alerts. The recent proliferation of the edge computing paradigm allows more data-intensive tasks to be accomplished by smart edge devices with lightweight but powerful algorithms. This paper presents a forensic surveillance strategy by introducing an Instant Suspicious Activity identiFication at the Edge (I-SAFE) using fuzzy decision making. A fuzzy control system is proposed to mimic the decision-making process of a security officer. Decisions are made based on video features extracted by a lightweight Deep Machine Learning (DML) model. Based on the requirements from the first-line law enforcement officers, several features are selected and fuzzified to cope with the state of uncertainty that exists in the officers' decision-making process. Using features in the edge hierarchy minimizes the communication delay such that instant alerting is achieved. Additionally, leveraging the Microservices architecture, the I-SAFE scheme possesses good scalability given the increasing complexities at the network edge. Implemented as an edge-based application and tested using exemplary and various labeled dataset surveillance videos, the I-SAFE scheme raises alerts by identifying the suspicious activity in an average of 0.002 seconds. Compared to four other state-of-the-art methods over two other data sets, the experimental study verified the superiority of the I-SAFE decentralized method.

研究の動機と目的

• 従来のフォレンジック分析が遅すぎるため、都市監視映像ストリームにおける不審行動のリアルタイム検出の課題に対処すること。
• 分散処理を用いて意思決定をエッジに移行させることで、動画監視における通信オーバーヘッドと遅延を低減すること。
• エッジデバイスで実行されるファジィ論理意思決定エンジンに、専門家知識を統合することで、人間のセキュリティ担当者の判断を模倣するシステムを開発すること。
• マイクロサービスアーキテクチャとエッジコンピューティングを活用して、リアルタイムの特徴抽出と異常スコアリングを実現し、スケーラブルで低オーバーヘッドの監視を可能にすること。
• 文脈的な映像特徴のノイズ耐性のあるファジィモデリングにより、複雑で動的な環境でも誤検出を最小限に抑え、耐障害性を向上させること。

提案手法

• エッジデバイスに軽量なディープマシンラーニング（DML）モデルをデプロイし、映像ストリームからのリアルタイムな人間検出と特徴抽出を実行する。
• 映像フレームから、位置、日中の時間帯、移動パターン、うろつき時間などの7つの空間時間的特徴を抽出して行動の文脈を明確にする。
• 人間の判断における曖昧さを反映させるために、5つのメンバーシップ関数を用いて抽出された特徴をファジィ化する。
• キャンパス警察官から得たルールを専門家が定義したファジィ制御システムを実装し、個々の人物の不審度レベルを評価する。
• スケーラビリティとエッジネットワークの複雑性の変化への適応性を高めるために、マイクロサービスアーキテクチャを用いてシステムをモジュール化する。
• 60％の不審度スコアをしきい値とするアラートメカニズムを適用し、誤検出率をバランスさせながら即時のアラームを発動する。

実験結果

リサーチクエスチョン

• RQ1 分散型でエッジベースのシステムは、最小限の遅延と通信オーバーヘッドで不審行動をリアルタイムに検出できるか？
• RQ2 完全にデータ駆動型のモデルと比較して、ファジィ論理システムは不審行動検出における人間のような意思決定をどの程度効果的にモデル化できるか？
• RQ3 法執行省などのドメインエキスパートの知識は、行動認識における検出正確性の向上と誤検出の低減にどの程度寄与できるか？
• RQ4 I-SAFEシステムは、スピード、正確性、リソース効率の観点で、最新の手法と比較してどの程度のパフォーマンスを示すか？
• RQ5 遮蔽、低解像度、または高密度な人混みといった困難な条件下でも、システムはパフォーマンスを維持できるか？

主な発見

• I-SAFEシステムは、1フレームあたり平均0.002秒の検出遅延を達成し、リアルタイムでの即時アラートを可能にした。
• システムは低い誤検出率を維持しており、マップデータセットでは60％の不審度しきい値で4件の誤検出、サブウェイデータセットでは1件の誤検出にとどまった。
• 4つの最新手法と比較して、I-SAFEはスピードとスケーラビリティにおいて優れたパフォーマンスを示した一方で、競争力のある検出正確性を維持した。
• ファジィ論理モデルは人間行動における不確実性を効果的に捉えており、複雑で動的な監視環境における耐障害性を向上させた。
• 特徴抽出と意思決定の分離により、将来のより正確な動画処理技術に対しても同じファジィモデルを再利用可能となった。
• 低解像度または遮蔽状況でも、システムは強いパフォーマンスを示したが、距離が増すとピクセル密度が不足するため検出精度が低下した。