Оптимизация гибридной архитектуры долгосрочной рекуррентной свёрточной сети для Edge-распознавания насилия в системах видеонаблюдения

Введение. В данном исследовании представлено решение для автоматического детектирования насильственных инцидентов в видеопотоках на основе гибридной архитектуры, сочетающей свёрточные нейронные сети для пространственного анализа кадров и сети долгой краткосрочной памяти для выявления временных зависимостей. Материалы и методы. Разработка оптимизирована для развертывания на маломощных устройствах серии NVIDIA Jetson, что обеспечивает обработку данных непосредственно на месте съемки. Эксперименты проводились на специализированном наборе данных, включающем записи городского видеонаблюдения, спортивные трансляции и смоделированные сцены. Результаты и обсуждение. Результаты подтвердили высокую точность распознавания (94.8%), низкий уровень ложных срабатываний (1.5%) и минимальную задержку обработки(15 мс/кадр), что соответствует требованиям систем безопасности реального времени. Особое внимание уделено режимам работы комплекса: покадровой обработке с маркировкой временных меток и пофайловому анализу для экспресс-оценки видеоматериалов. Заключение. Перспективы внедрения включают интеграцию с системами безопасности и платформами модерации контента.

1. Глоссарий терминов по информатике, вычислительной технике и компьютерным сетям / Под ред. И.А. Соколова. М.: ИКСИ РАН. 2023. 214 с. [Текст]

2. Donahue J., Hendricks L. et al. LRCN for Visual Recognition and Description // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 39. Is. 4. P. 677–691.

3. Горяев В.М., Мацаков Б.В. Исследование эффективности моделей нейросети LRCN в задачах распознавания насилия на видео//Современные наукоемкие технологии. 2024. № 12. С. 17- 24 DOI: https://doi.org/10.17513/snt.40239

4. Sudhakaran S., Lanz O. Learning to Detect Violent Videos using Convolutional Long ShortTerm Memory // IEEE International Conference on Computer Vision Workshops (ICCVW). 2019. P. 1– 9. DOI: 10.1109/ICCVW.2019.00010

5. Bilinski P., Bremond F. Human Violence Recognition and Detection in Surveillance Videos // IEEE International Conference on Advanced Video and Signal-Based Surveillance (AVSS). 2020. P. 1–8. DOI: 10.1109/AVSS.2020.9339832

6. Мацаков Б.В., Горяев В.М. Распознавание признаков насилия с помощью сетей долгой краткосрочной памяти LSTM: Свидетельство о государственной регистрации программы для ЭВМ № 2024690113. Заявка № 2024688048 от 15.11.2024. Зарегистрировано 12.12.2024.

7. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9. Is. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735

8. Пустынный Я.Н. Решение проблемы исчезающего градиента с помощью нейронных сетей долгой краткосрочной памяти. Инновации и инвестиции. 2020. №2. C.130-132.

9. Wang L.et al. Temporal segment networks: Towards good practices for deep action recognition // Proceedings of the European Conference on Computer Vision (ECCV 2016). Amsterdam. Oct. 8–16, 2016. Cham: Springer. 2016. P. 20–36. DOI: 10.1007/978-3-319-46484-8_29.

10. NVIDIA Jetson Xavier NX Developer Guide. 2023. URL: https://developer.nvidia.com/embedded/jetson-xavier-nx (дата обращения: 20.06.2025).

11. Hanson A., Pnvr K., Krishnagopal S., Davis L. Bidirectional Convolutional LSTM for the Detection of Violence in Videos // IEEE Transactions on Cognitive and Developmental Systems. 2021. Vol. 13. Is. 4. P. 992–1001. DOI: 10.1109/TCDS.2020.2996775

12. Zhang H. et al. Edge Computing for Real-Time Video Analysis // IEEE Internet of Things Journal. 2021. Vol. 8. Is. 16. P. 12539–12551. DOI: 10.1109/JIOT.2021.3065956

13. Петров К.Л. Эволюция парадигмы периферийных вычислений // Информационные технологии. 2022. Т.28. №4. С.12-19.DOI: 10.22213/2410-9304-2022-4-12-19

14. Google Content Safety API. Developer Documentation. [Электронный ресурс]. 2023. URL: https://cloud.google.com/content-safety/docs (дата обращения: 20.06.2025).

15. ViSenze. Real-Time Violence Detection in Video Streams [Электронный ресурс]. 2024. URL: https://www.visenze.com/resources (дата обращения: 20.06.2025).

16. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2020. Vol. 42. Is. 2. P. 1–14.

17. ГОСТ Р ИСО 5725-2002. Точность методов и результатов измерений. М.: Стандартинформ, 2002. 31 c.

18. Lyubchich V. et al. A distribution-free m-out-of-n bootstrap approach to testing symmetry about an unknown median // Computational Statistics & Data Analysis.2016.Vol.104.P.1-9. DOI: 10.1016/j.csda.2016.05.004