000152273 001__ 152273 000152273 005__ 20250401114420.0 000152273 037__ $$aTAZ-TFM-2025-020 000152273 041__ $$aeng 000152273 1001_ $$aRubio Llamas, Sonia 000152273 24200 $$aEfficient anomaly detection in CCTV videos 000152273 24500 $$aEfficient anomaly detection in CCTV videos 000152273 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2025 000152273 500__ $$aCon la colaboración de la empresa Buavi 000152273 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000152273 520__ $$aEn los últimos años, el crecimiento exponencial de los sistemas de videovigilancia CCTV ha evidenciado la necesidad de métodos automáticos de detección de anomalías para garantizar la seguridad en espacios públicos y privados. Esta tesis busca mejorar la precisión y eficiencia de dichos métodos, haciéndolos prácticos para escenarios reales. El desequilibrio entre eventos normales y anómalos, la diversidad de contextos y las altas demandas computacionales de los modelos de aprendizaje profundo son retos clave, especialmente en entornos con recursos computacionales limitados, como CPUs. Hemos evaluado tres algoritmos de detección de anomalías débilmente supervisados —PEL4VAD, UR-DMU y BN-WVAD— utilizando la base de datos UCF-Crime. Estos métodos, que solo necesitan etiquetas a nivel de video durante el entrenamiento, fueron seleccionados por sus buenos resultados. Sin embargo, nuestros experimentos han revelado que la métrica estándar ROC AUC utilizada puede no reflejar adecuadamente su buen funcionamiento en conjuntos desbalanceados. Hemos propuesto en su lugar el uso de la métrica Precision-Recall AUC (PR AUC), que equilibra mejor la precisión y la sensibilidad. Para mejorar la eficiencia computacional, hemos implementado técnicas de reducción de la tasa de muestreo y optimizado la extracción de características con I3D, reduciendo tiempos de procesamiento sin comprometer la precisión. Además, introdujimos estrategias como el uso de contexto y funciones de pérdida balanceadas, como la entropía cruzada binaria balanceada y la pérdida focal Tversky. <br /><br /> 000152273 521__ $$aMáster Universitario en Robótica, Gráficos y Visión por Computador 000152273 540__ $$aDerechos regulados por licencia Creative Commons 000152273 691__ $$a11 16 000152273 692__ $$aEste trabajo ofrece una mayor seguridad pública, ayudando a la detección de eventos anómalos captados por cámaras de seguridad situadas en entornos públicos o privados 000152273 700__ $$aMontijano Muñoz, Eduardo$$edir. 000152273 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cIngeniería de Sistemas y Automática 000152273 8560_ $$f756976@unizar.es 000152273 8564_ $$s19910331$$uhttps://zaguan.unizar.es/record/152273/files/TAZ-TFM-2025-020.pdf$$yMemoria (eng) 000152273 909CO $$ooai:zaguan.unizar.es:152273$$pdriver$$ptrabajos-fin-master 000152273 950__ $$a 000152273 951__ $$adeposita:2025-04-01 000152273 980__ $$aTAZ$$bTFM$$cEINA 000152273 999__ $$a20250125003333.CREATION_DATE