Bu tədqiqat, müşahidə videolarındaki anormal insan fəaliyyətlərini otomatik olarak belirlemek amacıyla YOLOv8, ResNet50, iki istiqamətli uzun-qısa müddətli yaddaş ağı və adaptiv neyro-qeyri-səlis çıxarım sistemini birleştiren hibrit bir mimari önermektedir. Model, 16 eğitim və 21 test videosu içerdiği belirtilen AVENUE veri dəsti üzerinde değerlendirilmiş; tədqiqatçılar yüzde 98 dəqiqlik, yüzde 97,6 dəqiqlik, yüzde 97,2 həssaslıq, yüzde 97,4 F1 göstəricisi, 0,99 ROC-AUC və yüzde 2,1 yanlış həyəcan nisbəti bildirmiştir. Bununla belə tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprinttir; təcrübə protokolündeki eksikler və bildirilen performans değerleriyle qarışıqlıq matrisi arasındaki tutarsızlıklar niyəiyle nəticələr ön bulgu niteliğinde değerlendirilmelidir.

Önerilen sistemde YOLOv8 her video karesindeki insanları bulup sınır kutularıyla yerelleştirmekte, ResNet50 insan duruşu və sahne bağlamı gibi uzamsal özellikleri çıkarmakta, iki istiqamətli uzun-qısa müddətli yaddaş ağı bu özelliklerin zaman içindeki değişimini incelemekte və adaptiv neyro-qeyri-səlis çıxarım sistemi hərəkət sürəti, fəaliyyət müddəti, istiqamət dəyişikliyi və ağların güven puanlarını birlikte değerlendirerek etkinliği normal, şübhəli və ya anormal olarak sınıflandırmaktadır. Yaklaşımın əsas düşüncesi, birbirine benzeyen hızlı yürüme, koşma, bekleme və olağandışı yön değiştirme gibi davranışlar arasındaki belirsizliği tek bir kesin eşik yerine örtüşen qeyri-səlis üzvlük dereceleriyle yönetmektir.

Türkiyə baxımından qiymətləndirmə: Bu mimari, Türkiye’de belediye ulaşım merkezleri, üniversite kampüsleri, istasyonlar, hastane çevreleri, okul yerleşkeleri və endüstriyel tesislerde araşdırma amaçlı akıllı kamera uygulamalarına uyarlanabilecek bir üsul çerçevesi sunmaktadır. Ancaq bunun üçün Türkiye’deki kamera açılarını, aydınlatma koşullarını, kalabalık yoğunluklarını və gündelik hareket örüntülerini temsil eden yerel veri kümeleri oluşturulmalı; normal, şübhəli və anormal sınıflar açık meyarlerle etiketlenmeli; bağımsız testlerde yanlış alarm, kaçırılan olay, gecikme və real vaxtlı işlem hızı ölçülmelidir. Çalışmadan Türkiye’de saha başarısı, hukuki uygunluk, real vaxtlı tədqiqat, farklı toplumsal gruplarda eşit performans və ya yüzde 2,1 düzeyinde yanlış həyəcan nisbəti doğrudan çıkarılamaz.

Araşdırmanın əsas sorusu nədir?

Araşdırmanın əsas sorusu, müşahidə videolarındaki insan hareketlerinin uzamsal görünümünü, zaman içindeki gelişimini və belirsiz davranış sınırlarını aynı model içinde birleştirmenin anormal fəaliyyət tespitini geliştirip geliştiremeyeceğidir. Tədqiqatçılar özellikle normal yürüyüş ilə hızlı hareket, kısa süreli bekleme ilə şübhəli oyalanma və olağan istiqamət dəyişikliyi ilə düzensiz hareket arasında kesin sınırlar bulunmadığını vurgulamaktadır.

Çalışma bu soruya dört bileşenli bir mimariyle yanıt vermeyi amaçlamaktadır: YOLOv8 insanları tespit etmekte, ResNet50 görüntü özelliklerini çıkarmakta, Bi-LSTM ardışık karelerdeki hareket örüntülerini öğrenmekte və ANFIS belirsizliği bulanık kurallarla değerlendirerek son sınıflandırmayı üretmektedir.

Çalışma niyə önemlidir?

Gözetim kameraları çok sayıda eş zamanlı video akışı oluşturduğu üçün bütün görüntülerin insanlar tarafından kesintisiz izlenmesi dikkat azalması, yorgunluk və kritik olayların gözden kaçırılması riskini taşımaktadır. Tədqiqatçılar kavga, yasak bölgede koşma, uzun süre oyalanma, nesne fırlatma, ters yönde hareket etme və alışılmadık hareket örüntüleri gibi olayların otomatik olarak belirlenmesini akıllı müşahidə sistemlerinin əsas problemlerinden biri olarak ele almaktadır.

Geleneksel üsuller optik akış, hareket yörüngesi, yönlendirilmiş gradyan histogramı və elle tasarlanmış başka özelliklere dayanabilmektedir. Çalışmaya göre bu yaklaşımlar ışık değişimi, kalabalık, örtüşme, farklı kamera açıları və hareketli arka plan karşısında genelleme güçlüğü yaşayabilmektedir. Derin öğrenme modelleri görüntüden özellik öğrenebilse de benzer davranışlar arasındaki belirsizliği her zaman açık biçimde yönetememektedir. Önerilen modelin hedeflediği boşluk, güçlü görsel və zamansal özellik çıkarımını nöro-bulanık karar verme mekanizmasıyla aynı işlem zincirinde birleştirmektir.

Önerilen mimari necə tədqiqatktadır?

1. Video karelerinin hazırlanması

Giriş videosu önce ardışık görüntü karelerine ayrılmaktadır:

\[ V = \{F_1, F_2, F_3, \ldots, F_n\} \]

Burada V giriş videosunu, F_i ise videodan çıkarılan i numaralı kareyi göstermektedir. Kare sayısı boyutsuz bir adettir. Çalışmanın üsul metni karelerin ResNet50 girişi üçün 224 × 224 piksele getirildiğini belirtmektedir. Buna karşılık genel mimari şemasında 640 × 640 yeniden boyutlandırma gösterilmektedir. Bunların YOLOv8 və ResNet50 üçün ayrı boyutlar olup olmadığı açık biçimde açıklanmamıştır.

Piksel değerleri 0 ilə 1 arasına taşınmaktadır:

\[ X_{\mathrm{norm}} = \frac{X}{255} \]

X, 0 ilə 255 arasındaki özgün piksel yoğunluğunu; X_norm ise boyutsuz normalleştirilmiş değeri ifade etmektedir. Bu dönüşüm, ağın farklı piksel büyüklükleriyle daha dengeli tədqiqatsını amaçlamaktadır.

Sensör və aydınlatma gürültüsünü azaltmak üçün Gauss filtresi kullanıldığı belirtilmektedir:

\[ G(x,y)=\frac{1}{2\pi\sigma^2}\exp\left(-\frac{x^2+y^2}{2\sigma^2}\right) \]

Bu formülde x və y merkez piksele göre konumu, σ filtrenin yayılım genişliğini, G(x,y) ise ilgili konumdaki ağırlığı göstermektedir. Konumların piksel cinsinden değerlendirilmesi beklenmekle birlikte tədqiqatda kullanılan çekirdek boyutu və σ değeri bildirilmemiştir. Genel şema ayrıca döndürme və çevirme gibi veri artırma işlemlerini göstermekte, fakat bunların oranları və parametreleri açıklanmamaktadır.

2. YOLOv8 ilə insan tespiti

YOLOv8, her karede insan olarak algıladığı bölgeleri bir sınıf etiketi, etibar balı və sərhəd qutusuyla göstermektedir:

[ B = (x,y,w,h) ]

Burada x və y kutunun konumunu, w genişliğini, h yüksekliğini ifade etmektedir. Koordinatların piksel cinsinden mi yoksa normalize edilmiş biçimde mi tutulduğu belirtilmemiştir. İnsan bölgesi kırpılarak ResNet50’ye aktarılmakta, YOLOv8 etibar balı ise daha sonra ANFIS karar katmanında kullanılan girdilerden biri hâline gelmektedir.

Bu aşamanın amacı, bütün sahneyi aynı ağırlıkla incelemek yerine modelin insan bulunan bölgelere odaklanmasını sağlamaktır. Ancaq tədqiqat, YOLOv8’in hansı ağırlık sürümünü kullandığını, yeniden eğitilip eğitilmediğini, güven eşiğini və insan tespit başarımını ayrı olarak bildirmemektedir.

3. ResNet50 ilə uzamsal özellik çıkarımı

YOLOv8 tarafından belirlenen insan bölgeleri, 50 katmanlı artık bağlantılı sinir ağı ResNet50’ye verilmektedir. Artık öğrenmenin əsas ilişkisi şu biçimde sunulmaktadır:

[ y = F(x,W) + x ]

x giriş özellik haritasını, F(x,W) öğrenilebilir W parametreleriyle elde edilen artık dönüşümü, y ise çıkış özellik haritasını ifade etmektedir. Giriş bilgisinin dönüşüm sonucuna doğrudan eklenmesi, derin ağlarda bilginin katmanlar boyunca taşınmasını kolaylaştırmaktadır.

Küresel ortalama havuzlama sonrasında her insan bölgesi üçün 2048 bileşenli bir özellik vektörü oluşturulduğu belirtilmektedir:

\[ f = [f_1,f_2,f_3,\ldots,f_{2048}] \]

Bu vektör; insan duruşu, beden biçimi, çevredeki nesnelerle etkileşim və sahne bağlamı gibi görüntüden öğrenilmiş örüntüleri temsil etmeyi amaçlamaktadır. Bileşenlerin tek tek fiziksel birimi bulunmaz; bunlar ağ tarafından öğrenilen sayısal özelliklerdir.

4. Bi-LSTM ilə zamansal hareket modelleme

Tek bir kare, bir kişinin koştuğunu, aniden yön değiştirdiğini və ya uzun süre aynı bölgede kaldığını tek başına açıklamakta yetersiz kalabilir. Bu səbəbdən ardışık karelerden elde edilen 2048 boyutlu vektörler bir zaman dizisi olarak iki istiqamətli uzun-qısa müddətli yaddaş ağına aktarılmaktadır.

Çalışmada zaman adımındaki gizli durum üçün şu basitleştirilmiş ilişki verilmektedir:

\[ h_t = f(Wx_t + Uh_{t-1} + b) \]

x_t t anındaki giriş vektörünü, h_t-1 önceki gizli durumu, W və U öğrenilebilir ağırlık matrislerini, b yanlılık terimini və f doğrusal olmayan dönüşümü göstermektedir. Bu ifade tam LSTM yapısındaki giriş, unutma və çıkış kapılarının bütün denklemlerini içermemekte; yalnızca zaman durumunun genel güncellenmesini özetlemektedir.

İleri və geri yöndeki durumlar şu şekilde birleştirilmektedir:

\[ H_t = [\overrightarrow{h_t};\overleftarrow{h_t}] \]

Bu gösterimde noktalı virgül, iki yönün özelliklerinin birleştirildiğini ifade etmektedir. Model böylece bir karenin yalnızca geçmişini değil, izlenen video parçasındaki sonraki kareleri de kullanmaktadır. Bu özellik çevrim dışı video analizi üçün yararlı olabilir; ancak gelecekteki karelere ihtiyaç duyulması real vaxtlı alarm gecikmesini etkileyebilir. Çalışma bu gecikmeyi ölçmemiştir.

5. ANFIS ilə belirsizlik əsasli karar verme

Uyarlamalı nöro-bulanık çıkarım sistemi, sinir ağlarının veriden öğrenme yeteneğini bulanık mantığın üyelik fonksiyonları və “eğer-o hâlde” kurallarıyla birleştirmektedir. Çalışmada ANFIS’e aktarılan beş girdi şunlardır:

• Hareket hızı,
• Etkinliğin süresi,
• Hareket yönündeki değişim,
• YOLOv8 insan tespit etibar balı,
• Bi-LSTM anormal fəaliyyət olasılığı.

Hareket hızı yavaş, orta və hızlı gibi dilsel kümelerle ifade edilmektedir. Bir hareket aynı anda belirli oranlarda hem “orta” hem de “hızlı” kümelerine ait olabildiği üçün kararın keskin bir eşikte aniden değişmesi yerine daha yumuşak bir geçiş amaçlanmaktadır. Örnek kurallarda yüksek hızla düzensiz yön değişimi anormal, düşük hızla düzgün yörünge normal, orta hızla uzun süre devam eden etkinlik ise şübhəli olarak değerlendirilmektedir.

Etkin kuralların nəticələrı birleştirilmekte və ağırlık merkezi durulaştırma üsuliyle tek bir anomali puanı üretilmektedir. Çalışma puanın normal, şübhəli və anormal sınıflara dönüştürüldüğünü belirtmektedir. Bununla belə bütün üyelik fonksiyonlarının sayısal sınırları, eksiksiz kural tabanı, kuralların öğrenilme üsuli və ANFIS eğitim parametreleri verilmemiştir.

Veri kümesi hansı özelliklere sahiptir?

Çalışma, açık hava kampüs müşahidə görüntülerinden oluşan AVENUE veri dəstini kullandığını bildirmektedir. Veri kümesinde koşma, nesne fırlatma, olağandışı yönde hareket etme və uzun süre oyalanma gibi olayların bulunduğu; anormal karelerin elle işaretlenerek test üçün gerçek referans olarak kullanıldığı belirtilmektedir.

Anormal olayların videoların yalnızca küçük bir bölümünü oluşturduğu və normal etkinliklerle görsel olarak örtüşebildiği belirtilmektedir. Ancaq normal, şübhəli və anormal biçimindeki üç sınıfın AVENUE etiketlerinden necə üretildiği açıklanmamıştır.

Şekiller və grafikler nə göstərir?

Genel mimari şeması

Şekil 1, veri dəstinden başlayarak ön işleme, YOLOv8 insan tespiti, ResNet50 özellik çıkarımı, Bi-LSTM zaman modellemesi, ANFIS karar verme və normal-şübhəli-anormal çıktısına kadar bütün veri akışını göstermektedir. Şemada dəqiqlik, dəqiqlik, həssaslıq, F1 göstəricisi, ROC-AUC və yanlış həyəcan nisbətinın değerlendirme meyarları olduğu da belirtilmektedir.

Şemanın güçlü tarafı modüllerin görevlerini açık biçimde ayırmasıdır. Bununla belə şema eğitim və test kümelerini “normal və anormal” olarak gösterirken metin üç çıktı sınıfından söz etmektedir. Şüpheli sınıfın etiket kaynağı açıklanmamaktadır.

Eğitim doğruluğu və kayıp grafiği

Şekil 2’de eğitim doğruluğu 10 dönem boyunca yaklaşık 0,70’ten 0,98’e yükselmekte, eğitim kaybı ise yaklaşık 0,90’dan 0,12’ye düşmektedir. Bu grafik modelin eğitim verisine giderek daha iyi uyduğunu göstermektedir. Ancaq yalnızca eğitim eğrileri sunulmuştur; doğrulama doğruluğu və doğrulama kaybı verilmediği üçün aşırı öğrenme olup olmadığı bu grafikten belirlenemez.

Hız üyelik fonksiyonları

Şekil 3’te yatay eksen 0-10 arasında hərəkət sürətinı, dikey eksen 0-1 arasında qeyri-səlis üzvlük derecesini göstermektedir. Yavaş kümesi 0 civarında en yüksek üyeliğe sahip olup 5 civarında sıfıra iner. Orta kümesi yaklaşık 3 ilə 7 arasında üçgen biçimindedir və 5 civarında en yüksek üyeliğe ulaşır. Hızlı kümesi 5 civarında başlayıp 10’da en yüksek üyeliğe ulaşır. Hız ekseninin fiziksel birimi və bu sınırların veriden mi yoksa uzman tercihiyle mi belirlendiği açıklanmamıştır.

“Süre üzvlük funksiyası” olarak adlandırılan grafik

Şekil 4’ün başlığı fəaliyyət müddətine ait üzvlük funksiyasınu ifade etmesine rağmen görsel, normal üçün 20, şübhəli üçün 40 və anormal üçün yaklaşık 84 değerlerini gösteren bir risk puanı sütun grafiğidir. Grafik süre ekseni, kısa-orta-uzun üyelik kümeleri və ya örtüşen üyelik eğrileri içermemektedir. Bu səbəbdən şekil başlığıyla görsel içeriği arasında açık bir uyumsuzluk vardır.

Anomali puanı grafiği

Şekil 5’te 20 kare boyunca anomali puanının yaklaşık 15’ten 96’ya doğru düzenli biçimde yükseldiği və 70 düzeyinde bir anormal eşik çizgisi bulunduğu görülmektedir. Puan yaklaşık 14. karede eşik düzeyine ulaşmakta və sonraki karelerde eşiğin üzerine çıkmaktadır. Tədqiqatçılar bu artışı ani koşma, keskin yön değiştirme və olağandışı hareketlerle ilişkilendirmektedir.

Bununla belə grafikte gerçek video karesi, olay başlangıç-bitiş işaretleri, gerçek referans etiketleri və ya farklı normal və anormal video örnekleri gösterilmemektedir. Anomali puanının 0-100 aralığına necə ölçeklendiği və 70 eşiğinin necə seçildiği de açıklanmamıştır.

Karışıklık matrisi

Şekil 6’daki qarışıqlıq matrisi iki satır və iki sütundan oluşmaktadır. Hücre değerleri 4, 1, 0 və 5’tir. Böylece toplam 10 örneğin 9’u ana köşegen üzerinde doğru, 1’i yanlış sınıflandırılmış görünmektedir. Bu matrisin doğrudan gösterdiği dəqiqlik yüzde 90’dır:

\[ \mathrm{Doğruluk} = \frac{4+5}{4+1+0+5} = \frac{9}{10} = 0{,}90 \]

Bu nəticə, metinde bildirilen yüzde 98 dəqiqlikla uyuşmamaktadır. Bundan əlavə model çıktısı normal, şübhəli və anormal olmak üzere üç sınıf şeklinde tanımlanırken qarışıqlıq matrisi yalnızca iki sınıf göstermektedir. Eksenlerde sınıf adları yerine 0 və 1 etiketleri kullanılmıştır.

Mevcut üsullerle karşılaştırma

Şekil 7 və Tablo 2’de CNN üçün yüzde 87, CNN-LSTM üçün yüzde 90, ConvLSTM üçün yüzde 92, YOLO və Bi-LSTM birleşimi üçün yüzde 94, önerilen model üçün yüzde 98 dəqiqlik bildirilmektedir. Tədqiqatçılar artışı insan yerelleştirme, uzamsal özellik çıkarma, zamansal modelleme və bulanık karar vermenin birlikte kullanılmasına bağlamaktadır.

Ancaq karşılaştırılan modellerin aynı eğitim-test bölünmesiyle yeniden çalıştırılıp çalıştırılmadığı, değerlerin önceki yayınlardan mı alındığı, modellerin hiperparametreleri və təcrübələrin kaç kez tekrarlandığı açıklanmamıştır. Bu səbəbdən yüzde farkları eş koşullarda yapılmış doğrulanmış bir karşılaştırma olarak değerlendirilemez.

Toplu performans grafiği

Şekil 8’de dəqiqlik yüzde 98, dəqiqlik yüzde 97,6, həssaslıq yüzde 97,2, F1 göstəricisi yüzde 97,4, ROC-AUC yüzde 99 və yanlış həyəcan nisbəti yüzde 2,1 olarak gösterilmektedir. Metnin bir bölümünde ROC-AUC “0,99%” biçiminde yazılırken nəticə bölümünde 0,99 olarak verilmektedir. ROC-AUC üçün matematiksel olarak anlamlı gösterim 0,99 və ya yüzde 99 olabilir; ancak tədqiqat içindeki farklı gösterimler sessizce tek bir değere dönüştürülmemelidir.

Çalışmanın desteklediği nəticələr nelerdir?

• Tədqiqatçılar, insan tespiti, görüntü özelliği çıkarımı, zaman dizisi analizi və bulanık karar vermeyi birleştiren modüler bir mimari tanımlamıştır.
• Mimari, AVENUE veri dəsti üzerinde değerlendirilmek üzere tasarlanmıştır.
• Hareket hızı, fəaliyyət müddəti, yön değişimi və ağ güven puanlarının ANFIS girdileri olarak kullanılabileceği gösterilmiştir.
• Çalışma, benzer hareketler arasındaki belirsizliği sabit eşikler yerine qeyri-səlis üzvlüklerle ele alma fikrini ortaya koymaktadır.
• Tədqiqatçılar yüksek dəqiqlik və düşük yanlış həyəcan nisbəti bildirmektedir.

Çalışma neyi kanıtlamamaktadır?

• Çalışma, modelin gerçek şehir müşahidə sistemlerinde yüzde 98 dəqiqlikla çalışacağını kanıtlamamaktadır.
• Sunulan qarışıqlıq matrisi, bildirilen yüzde 98 doğruluğu doğrulamamaktadır.
• ANFIS bileşeninin performans artışına tek başına ne kadar katkı sağladığını gösteren bir çıkarım və ya bileşen kaldırma analizi sunulmamıştır.
• Modelin farklı ülkelerde, farklı kamera açılarında, gece koşullarında və ya yoğun kalabalıklarda genelleneceği gösterilmemiştir.
• Gerçek zamanlı işlem hızı, kare/saniye değeri, gecikme, bellek tüketimi və uç cihaz performansı ölçülmemiştir.
• “Şüpheli” sınıfının hansı gerçek referans etiketlerinden üretildiği açıklanmamıştır.
• Modelin yanlış alarmlarının güvenlik görevlileri, izlenen kişiler və ya karar süreçleri üzerindeki etkisi değerlendirilmemiştir.
• Sonuçlar bağımsız bir araşdırma grubu tarafından tekrarlanmamış və rəyçi qiymətləndirməsindən keçməmiştir.

Çalışmanın güçlü yönleri nelerdir?

Çalışmanın başlıca güçlü yönü, anormal fəaliyyət tespitini tek bir kara kutu sınıflandırıcı yerine görevleri belirgin modüllere ayıran bir işlem zinciri olarak sunmasıdır. YOLOv8 insan bölgesine odaklanmakta, ResNet50 görüntü içeriğini temsil etmekte, Bi-LSTM zaman ilişkisini incelemekte və ANFIS son karardaki belirsizliği ele almaktadır. Bu yapı, gelecekte yapılacak daha ayrıntılı təcrübələrde her bileşenin ayrı ayrı sınanmasına uygun bir araşdırma çerçevesi sağlayabilir.

AVENUE gibi etiketli bir müşahidə veri dəstinin kullanılması və dəqiqlik dışında dəqiqlik, həssaslıq, F1 göstəricisi, ROC-AUC və yanlış həyəcan nisbəti gibi çeşitli meyarlere yer verilmesi de tədqiqatnın amaç düzeyindeki olumlu özellikleridir. Bundan əlavə hız üzvlük funksiyası, bulanık sınıflandırmanın mantığını görsel olarak anlaşılır kılmaktadır.

Başlıca sınırlılıklar və iç tutarlılık sorunları nelerdir?

• Çalışma rəyçi qiymətləndirməsindən keçməmiş bir preprinttir.
• Yüklenen dosyada ilk 15 sayfalık içerik ikinci 15 sayfada büyük ölçüde tekrar edilmektedir.
• Üç sınıflı çıktı anlatılmasına rağmen iki sınıflı qarışıqlıq matrisi verilmiştir.
• Karışıklık matrisindeki değerler yüzde 90 dəqiqlik gösterirken yüzde 98 genel dəqiqlik bildirilmiştir.
• Eğitim doğruluğu sunulmuş, ayrı doğrulama və test eğrileri gösterilmemiştir.
• Eğitim, doğrulama və test örneklerinin necə ayrıldığı ayrıntılı olarak açıklanmamıştır.
• Bi-LSTM dizi uzunluğu, katman sayısı, gizli birim sayısı, iyileştirici algoritma, öğrenme oranı və parti büyüklüğü bildirilmemiştir.
• YOLOv8 sürümü, güven eşiği, yeniden eğitim üsuli və insan tespit meyarları verilmemiştir.
• ANFIS kural tabanı, bütün üyelik fonksiyonları, öğrenme üsuli və eğitim dönemi açıklanmamıştır.
• Şekil 4’ün başlığıyla gösterdiği grafik uyuşmamaktadır.
• ROC-AUC değeri 0,99, yüzde 99 və yüzde 0,99 biçimlerinde tutarsız gösterilmiştir.
• Karşılaştırma üsullerinin eş təcrübə koşullarında çalıştırıldığı gösterilmemiştir.
• Güven aralığı, standart sapma, tekrar sayısı və ya istatistiksel anlamlılık analizi sunulmamıştır.
• Gerçek zamanlı tədqiqat iddiasını destekleyecek gecikme və ya kare/saniye ölçümü bulunmamaktadır.
• Model kodu, eğitilmiş ağırlıklar və yeniden istehsal üçün gerekli ayrıntılı təcrübə yapılandırması tədqiqatda yer almamaktadır.

Geçmiş, bugün və gelecek açısından anlamı nədir?

Geçmişte müşahidə videosu analizi büyük ölçüde optik akış, yörünge və elle oluşturulmuş hareket tanımlayıcılarıyla yürütülmekteydi. Önerilen yaklaşım, bu çizgiden otomatik özellik öğrenen derin ağlara və belirsizliği açıkça modellemeye çalışan nöro-bulanık sistemlere geçişi temsil etmektedir.

Bugünkü katkısı, farklı süni intellekt bileşenlerinin hansı sırayla bir araya getirilebileceğini gösteren kavramsal və uygulamalı bir mimari sunmasıdır. Ancaq yüksek performans değerlerinin mevcut raporlama biçimiyle doğrulanamaması, tədqiqatnın güncel değerini tamamlanmış bir saha çözümünden çok yeniden sınanması gereken bir araşdırma prototipi düzeyinde tutmaktadır.

Gelecekte bu mimarinin birden fazla veri dəstinde, farklı kamera ortamlarında və bağımsız test kümelerinde değerlendirilmesi; ANFIS’in katkısının bileşen kaldırma təcrübələriyle ölçülmesi; üyelik fonksiyonlarının veriden necə öğrenildiğinin açıklanması və real vaxtlı gecikmenin raporlanması gerekmektedir. Tədqiqatçılar da gelecek tədqiqat olarak uç bilişim, transformer tabanlı zaman modelleme və farklı müşahidə veri kümeleri üzerinde değerlendirme önermektedir.

Tədqiqatın metodu və nəticələri

Teknik üsul özeti

ANFIS girdileri və yorumları

Performans meyarları

Genel mimari şemasında kullanılan əsas sınıflandırma meyarları şu biçimde verilmektedir:

\[ \mathrm{Doğruluk} = \frac{TP+TN}{TP+TN+FP+FN} \]

\[ \mathrm{Kesinlik} = \frac{TP}{TP+FP} \]

\[ \mathrm{Duyarlılık} = \frac{TP}{TP+FN} \]

\[ F1 = 2 \times \frac{\mathrm{Kesinlik}\times\mathrm{Duyarlılık}}{\mathrm{Kesinlik}+\mathrm{Duyarlılık}} \]

\[ \mathrm{Yanlış\ Alarm\ Oranı} = \frac{FP}{FP+TN} \]

Burada TP doğru pozitif, TN doğru negatif, FP yanlış pozitif və FN yanlış negatif sınıflandırma sayısını göstermektedir. ROC-AUC ise farklı karar eşiklerinde doğru pozitif və yanlış pozitif oranları arasındaki ayırma başarısını özetlemektedir.

Tədqiqatçıların bildirdiği nəticələr

Karşılaştırmalı dəqiqlik nəticələrı

Tablo, tədqiqatçıların önerilen modeli en yüksek doğruluğa sahip yaklaşım olarak sunduğunu göstermektedir. Bununla belə aynı veri bölünmesi, aynı eğitim bütçesi və aynı değerlendirme protokolünün bütün üsullere uygulanıp uygulanmadığı açıklanmadığından karşılaştırma doğrulanmış bir üstünlük kanıtı değildir.

Donanım və yazılım ortamı

Çalışma, donanımın eğitim və test üçün yeterli olduğunu belirtmektedir; ancak eğitim süresi, çıkarım gecikmesi, saniyede işlenen kare sayısı və GPU kullanımı gibi performans değerlerini bildirmemektedir.

Mənbə və metod qeydi

Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprinttir; nəticələrı bu sınırlılık dikkate alınarak okunmalıdır. DOI bilgisi yüklenen metnin başlık sayfasında basılı değildir; SSRN’nin resmî kayıt sayfası üzerinden doğrulanmıştır. DOI, hakemli bir dergi makalesinden çok SSRN tədqiqat kaydını tanımlamaktadır.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen tədqiqatya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca yazar sırası, iletişim yazarı, DOI, platform və yükleme tarihi gibi bibliyografik kimlik bilgilerinin doğrulanması üçün kullanılmıştır. Yüklenen tədqiqatda bulunmayan bilimsel nəticə, ek təcrübə və ya dış performans bulgusu makaleye eklenmemiştir.

Çalışmanın başlıca üsulsel sınırlılıkları; üç sınıflı model anlatımıyla iki sınıflı qarışıqlıq matrisi arasındaki uyuşmazlık, qarışıqlıq matrisinin yüzde 90 dəqiqlik göstermesine karşın yüzde 98 dəqiqlik bildirilmesi, doğrulama protokolünün açıklanmaması, ANFIS kural və üyelik parametrelerinin verilmemesi, karşılaştırma koşullarının belirsizliği və real vaxtlı performans ölçümlerinin bulunmamasıdır. Yüklenen 30 sayfalık dosyada bilimsel içerik iki kez yer almaktadır.

Çalışma, gerçek saha uygulaması, uzun dönem etibarlılıq, güvenlik garantisi və ya Türkiye’de doğrudan kullanılabilirlik kanıtı sunmamaktadır. Bildirilen performans değerlerinin bağımsız veri kümelerinde, açık təcrübə protokolleriyle və yeniden üretilebilir kodla doğrulanması gerekmektedir.