Perpustakaan Digital ITB

Anomali pada video dapat diartikan sebagai suatu kejadian yang tidak terduga dan tidak mengikuti perilaku yang dapat diprediksi. Deteksi anomali adalah tantangan yang sulit dikarenakan begitu banyaknya kejadian yang dapat digolongkan sebagai anomali. Pada tugas akhir ini, digunakan pendekatan unsupervised learning untuk mempelajari definisi normal dari suatu video sehingga dapat digunakan untuk mendeteksi ada tidaknya anomali. Arsitektur model yang diusulkan berupa convolutional autoencoder ganda untuk memprediksi gerakan dan gambar dari tiap frame. Pendekatan unsupervised learning dipilih agar proses training dapat dilakukan secara end-to-end dengan tuning yang minimal. Deteksi anomali dilakukan dengan cara menghitung rekonstruksi error pada frame masa depan berdasarkan frame-frame sebelumnya. Selain itu, dilakukan juga lokalisasi letak anomali berdasarkan error patch yang diperoleh. Proses pengujian dilakukan menggunakan UCSD Anomaly Dataset. Hasilnya model memiliki kinerja sebesar 77,3 % AUC pada Peds1 dan 87,8 % AUC pada Peds 2 untuk deteksi anomali pada level frame