Implementation of an intelligent decision-support system self-regulated by application-centric quality of experience
Mise en oeuvre d'un système d'aide à la décision intelligent et auto-régulé par la Qualité d'Expérience (QoE) centrée sur l'application
Résumé
In smart cities, video surveillance is a crucial tool for ensuring public safety. In the past, security was improved by installing more cameras and centralizing their monitoring. But as the number of cameras increased, it became impossible for humans to manually monitor all the footage in real-time. Humans are prone to distraction and cannot maintain focus for extended periods. To address this challenge, experts have developed models that can automatically detect abnormal situations by analyzing video data and categorizing them as normal or abnormal. These computer vision techniques have made significant progress in detecting anomalies. However, with the constantly changing and evolving nature of environments, conventional methods may not be adequate to meet all the demands of a real-world scenario.
A review of ""end-to-end urban video surveillance system for asymmetric threats"" was proposed to explore the topic at hand. To address the issue, a development platform was meticulously designed, integrating three fundamental strategies. Firstly, it uses a corrective signal that takes into account exogenous, endogenous, and human factors in the surrounding context called ""task-specific QoE"". Second, it promises predictive systems based on machine learning and situational awareness to improve system capabilities and results-driven performance. Modular approaches to personalized learning schemes were explored and converged on a solution called similarity-based meta-reinforcement learning for multi-instance anomaly detection. Finally, it recommends adopting ""zero-touch"" self-management systems that rely on autonomous computing principles for configuration, protection, and learning, using machine learning, descriptive and inferential statistics, and control theory.
Together, these strategies provide a comprehensive and robust framework for answering critical questions using cutting-edge technologies and methodologies. By combining data enrichment, situational awareness, and autonomous computing, the final system is effective in meeting the needs of modern businesses, for which the ability to learn, infer and adapt quickly is as vital as the ability to be aware of surrounding context.
Dans les villes intelligentes, la vidéosurveillance est un outil essentiel pour assurer la sécurité publique. Dans le passé, la sécurité était améliorée en installant davantage de caméras et en centralisant leur contrôle. Mais à mesure que le nombre de caméras augmentait, il devenait impossible pour les humains de contrôler manuellement toutes les séquences en temps réel. Les humains sont enclins à la distraction et ne peuvent pas rester concentrés pendant de longues périodes. Pour relever ce défi, des experts ont mis au point des modèles capables de détecter automatiquement les situations anormales en analysant les données vidéo et en les classant comme normales ou anormales. Ces techniques de vision par ordinateur ont permis de réaliser des progrès considérables dans la détection des anomalies. Toutefois, compte tenu de la nature constamment changeante et évolutive des environnements, les méthodes conventionnelles peuvent ne pas être suffisantes pour répondre à toutes les exigences d'un scénario réel.
Une revue littéraire des ""systèmes de vidéosurveillance urbaine de bout en bout pour les menaces asymétriques"" a été proposée pour explorer le sujet en profondeur. Pour traiter le sujet, une plateforme de développement a été méticuleusement conçue, intégrant trois stratégies fondamentales. Premièrement, elle utilise un signal correctif qui prend en compte les facteurs exogènes, endogènes et humains dans le contexte environnant, appelé ""qualité de l'expérience spécifique à la tâche"". Deuxièmement, il promet des systèmes prédictifs basés sur l'apprentissage automatique et la connaissance de la situation afin d'améliorer les capacités du système et les performances axées sur les résultats. Des approches modulaires de schémas d'apprentissage personnalisés ont été explorées et ont convergé vers une solution appelée ""méta-apprentissage par renforcement basé sur la similarité"" pour la détection d'anomalies multi-instances. Enfin, l'étude recommande l'adoption de systèmes d'autogestion qui reposent sur des principes informatiques autonomes pour la configuration, la protection et l'apprentissage, basés sur l'apprentissage automatique, les statistiques descriptives et inférentielles et la théorie du contrôle.
Ensemble, ces stratégies fournissent un cadre complet et solide pour répondre à des questions cruciales à l'aide de technologies et de méthodologies de pointe. En combinant l'enrichissement des données, la connaissance de la situation et l'informatique autonome, le système final répond efficacement aux besoins des entreprises modernes, pour lesquelles la capacité d'apprendre, d'inférer et de s'adapter rapidement est aussi vitale que la capacité d'être conscient du contexte environnant.