AI шукає незвичні дії на відео: 95% у тесті перетворилися на 62% у складних сценах

Дослідники запропонували систему, яка аналізує не один кадр, а послідовність відео, щоб розпізнавати незвичні дії. У статті PLOS One поєднано нейромережу DenseNet-201 для просторових ознак і двонапрямну LSTM для часових зв’язків. На одному наборі даних модель отримала 95,04% точності, на складнішому UCF-Crime — 62,04%. Розрив між цими числами краще за будь-яку рекламу показує, наскільки важко перенести комп’ютерний зір із лабораторного тесту в реальний світ.

Чому окремого кадру недостатньо

На фотографії піднята рука може означати привітання, спробу зупинити транспорт або початок бійки. Сенс з’являється лише з руху до і після моменту. Саме тому система розділяє задачу: згорткова мережа описує об’єкти й просторові деталі кожного кадру, а рекурентна мережа вивчає порядок змін.

Автори рівномірно відбирали до 200 кадрів із кожного ролика. Коротші послідовності доповнювали повторенням останнього кадру. Зображення масштабували до 224 × 224 пікселів і під час навчання змінювали обрізанням, віддзеркаленням, корекцією освітлення та додаванням шуму. Попередньо навчену DenseNet-201 використовували як екстрактор ознак, а часову частину навчали з оптимізатором Adam і learning rate 0,001.

Два тести — дві дуже різні картини

UCF50 містить 50 категорій звичайних людських дій — наприклад, ходьбу, їзду на велосипеді та пірнання. На цьому наборі модель досягла 95,04% accuracy. UCF-Crime складається з довших і складніших відео реальних інцидентів, зокрема нападів, вандалізму, бійок та інших подій. На його підмножині точність становила 62,04%. Автори порівняли результат із кількома попередніми підходами, для яких у наведеному ними тесті було від 28,8% до 35,1%.

Але accuracy не відповідає на всі питання. Для системи безпеки критично знати кількість пропущених небезпечних подій і хибних тривог окремо. Якщо нормальних фрагментів набагато більше, загальна точність може виглядати пристойно навіть за слабкого розпізнавання рідкісного класу. Потрібні також precision, recall, робочий поріг, затримка обробки та перевірка на камерах, яких не було під час навчання.

Головні обмеження

• Зміна середовища: інша висота камери, погода, нічне освітлення, натовп або стиснення відео здатні погіршити якість.
• Неоднозначність: поняття «аномальна поведінка» залежить від контексту і не є універсальним комп’ютерним класом.
• Приватність: технічна здатність аналізувати відео не є автоматичним дозволом збирати й зберігати біометричні дані.
• Автоматичне рішення: 62,04% на складному наборі недостатньо, щоб без людини звинувачувати когось або запускати небезпечну реакцію.

Реалістична роль подібної моделі — не «цифровий суддя», а фільтр, що пропонує оператору перевірити короткий фрагмент серед багатьох годин відео. Рішення повинно залишатися за людиною, а журнал системи — показувати, який сигнал і з якою впевненістю спричинив сповіщення.

Висновок: поєднання просторової й часової моделі є логічним шляхом для відеоаналітики, але високий результат на чистому наборі дій не переноситься автоматично на реальні інциденти. Найцінніший урок роботи — великий розрив між 95,04% і 62,04%, який нагадує розробникам перевіряти модель саме в умовах майбутнього застосування.

Перекладено й адаптовано за статтею Manoj Kumar, Mantosh Biswas, Anoop Kumar Patel, Abhay Kumar, Kumar Abhishek та Shafeeq B. M. Ahamed у PLOS One від 23 вересня 2026 року. Текст і оригінальні фігури поширюються за CC BY 4.0.