Бул изилдөө, байкоо видеолоруndaki anormal адам иш-аракеттериni otomatik olarak belirlemek amacıyla YOLOv8, ResNet50, эки багыттуу узак-кыска мөөнөттүү эс тутум ağı жана адаптивдүү нейро-бүдөмүк тыянак чыгаруу системасыni birleştiren hibrit bir mimari önermektedir. Model, 16 eğitim жана 21 test videosu içerdiği belirtilen AVENUE маалымат топтому üzerinde değerlendirilmiş; изилдөөчүлөр yüzde 98 тактык, yüzde 97,6 тактык, yüzde 97,2 сезгичтик, yüzde 97,4 F1 упайы, 0,99 ROC-AUC жана yüzde 2,1 жалган коңгуроо катышы bildirmiştir. Муну менен бирге изилдөө рецензиядан өтпөгөн bir preprinttir; тажрыйба protokolündeki eksikler жана bildirilen performans değerleriyle чаташуу матрицасы arasındaki tutarsızlıklar эмне үчүнiyle натыйжалар ön bulgu niteliğinde değerlendirilmelidir.

Önerilen sistemde YOLOv8 her video karesindeki insanları bulup sınır kutularıyla yerelleştirmekte, ResNet50 insan duruşu жана sahne bağlamı gibi uzamsal özellikleri çıkarmakta, эки багыттуу узак-кыска мөөнөттүү эс тутум ağı bu özelliklerin zaman içindeki değişimini incelemekte жана адаптивдүү нейро-бүдөмүк тыянак чыгаруу системасы кыймыл ылдамдыгы, иш-аракет узактыгы, багыт өзгөрүшү жана ağların güven puanlarını birlikte değerlendirerek etkinliği нормалдуу, шектүү же анормалдуу olarak sınıflandırmaktadır. Yaklaşımın негизги düşüncesi, birbirine benzeyen hızlı yürüme, koşma, bekleme жана olağandışı yön değiştirme gibi davranışlar arasındaki belirsizliği tek bir kesin eşik yerine örtüşen бүдөмүк мүчөлүк dereceleriyle yönetmektir.

Түркия жагынан баалоо: Bu mimari, Türkiye’de belediye ulaşım merkezleri, üniversite kampüsleri, istasyonlar, hastane çevreleri, okul yerleşkeleri жана endüstriyel tesislerde изилдөө amaçlı akıllı kamera uygulamalarına uyarlanabilecek bir yöntem çerçevesi sunmaktadır. Бирок bunun үчүн Türkiye’deki kamera açılarını, aydınlatma koşullarını, kalabalık yoğunluklarını жана gündelik hareket örüntülerini temsil eden yerel veri kümeleri oluşturulmalı; normal, шектүү жана anormal sınıflar açık көрсөткүчlerle etiketlenmeli; bağımsız testlerde yanlış alarm, kaçırılan olay, gecikme жана реалдуу убакыттагы işlem hızı ölçülmelidir. Çalışmadan Türkiye’de saha başarısı, hukuki uygunluk, реалдуу убакыттагы изилдөө, farklı toplumsal gruplarda eşit performans же yüzde 2,1 düzeyinde жалган коңгуроо катышы doğrudan çıkarılamaz.

Изилдөөnın негизги sorusu эмне?

Изилдөөnın негизги sorusu, байкоо видеолоруndaki insan hareketlerinin uzamsal görünümünü, zaman içindeki gelişimini жана belirsiz davranış sınırlarını aynı model içinde birleştirmenin анормалдуу иш-аракет tespitini geliştirip geliştiremeyeceğidir. Изилдөөчүлөр özellikle normal yürüyüş менен hızlı hareket, kısa süreli bekleme менен шектүү oyalanma жана olağan багыт өзгөрүшү менен 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 жана ANFIS belirsizliği bulanık kurallarla değerlendirerek son sınıflandırmayı üretmektedir.

Çalışma эмне үчүн önemlidir?

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

Geleneksel yöntemler optik akış, hareket yörüngesi, yönlendirilmiş gradyan histogramı жана elle tasarlanmış başka özelliklere dayanabilmektedir. Çalışmaya göre bu yaklaşımlar ışık değişimi, kalabalık, örtüşme, farklı kamera açıları жана 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 жана zamansal özellik çıkarımını nöro-bulanık karar verme mekanizmasıyla aynı işlem zincirinde birleştirmektir.

Önerilen mimari кантип изилдөөktadır?

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 yöntem metni karelerin ResNet50 girişi үчүн 224 × 224 piksele getirildiğini belirtmektedir. Buna karşılık genel mimari şemasında 640 × 640 yeniden boyutlandırma gösterilmektedir. Bunların YOLOv8 жана ResNet50 үчүн ayrı boyutlar olup olmadığı açık biçimde açıklanmamıştır.

Piksel değerleri 0 менен 1 arasına taşınmaktadır:

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

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

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

2. YOLOv8 менен insan tespiti

YOLOv8, her karede insan olarak algıladığı bölgeleri bir sınıf etiketi, ишеним упайы жана чек кутусуyla göstermektedir:

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

Burada x жана 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 ишеним упайы 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. Бирок изилдөө, YOLOv8’in кайсы ağırlık sürümünü kullandığını, yeniden eğitilip eğitilmediğini, güven eşiğini жана insan tespit başarımını ayrı olarak bildirmemektedir.

3. ResNet50 менен uzamsal özellik çıkarımı

YOLOv8 tarafından belirlenen insan bölgeleri, 50 katmanlı artık bağlantılı sinir ağı ResNet50’ye verilmektedir. Artık öğrenmenin негизги 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 үчүн 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 жана sahne bağlamı gibi görüntüden öğrenilmiş örüntüleri temsil etmeyi amaçlamaktadır. Bileşenlerin tek tek fiziksel birimi bulunmaz; bunlar ağ tarafından öğrenilen sayısal özelliklerdir.

4. Bi-LSTM менен zamansal hareket modelleme

Tek bir kare, bir kişinin koştuğunu, aniden yön değiştirdiğini же uzun süre aynı bölgede kaldığını tek başına açıklamakta yetersiz kalabilir. Ошондуктан ardışık karelerden elde edilen 2048 boyutlu vektörler bir zaman dizisi olarak эки багыттуу узак-кыска мөөнөттүү эс тутум ağına aktarılmaktadır.

Çalışmada zaman adımındaki gizli durum үчүн 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 жана U öğrenilebilir ağırlık matrislerini, b yanlılık terimini жана f doğrusal olmayan dönüşümü göstermektedir. Bu ifade tam LSTM yapısındaki giriş, unutma жана çıkış kapılarının bütün denklemlerini içermemekte; yalnızca zaman durumunun genel güncellenmesini özetlemektedir.

İleri жана 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 үчүн yararlı olabilir; ancak gelecekteki karelere ihtiyaç duyulması реалдуу убакыттагы alarm gecikmesini etkileyebilir. Çalışma bu gecikmeyi ölçmemiştir.

5. ANFIS менен belirsizlik негизгиli karar verme

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

• Hareket hızı,
• Etkinliğin süresi,
• Hareket yönündeki değişim,
• YOLOv8 insan tespit ишеним упайы,
• Bi-LSTM анормалдуу иш-аракет olasılığı.

Hareket hızı yavaş, orta жана hızlı gibi dilsel kümelerle ifade edilmektedir. Bir hareket aynı anda belirli oranlarda hem “orta” hem de “hızlı” kümelerine ait olabildiği үчүн 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 шектүү olarak değerlendirilmektedir.

Etkin kuralların натыйжаларı birleştirilmekte жана ağırlık merkezi durulaştırma yöntemiyle tek bir anomali puanı üretilmektedir. Çalışma puanın normal, шектүү жана anormal sınıflara dönüştürüldüğünü belirtmektedir. Муну менен бирге bütün üyelik fonksiyonlarının sayısal sınırları, eksiksiz kural tabanı, kuralların öğrenilme yöntemi жана ANFIS eğitim parametreleri verilmemiştir.

Veri kümesi кайсы özelliklere sahiptir?

Çalışma, açık hava kampüs байкоо görüntülerinden oluşan AVENUE маалымат топтомуni kullandığını bildirmektedir. Veri kümesinde koşma, nesne fırlatma, olağandışı yönde hareket etme жана uzun süre oyalanma gibi olayların bulunduğu; anormal karelerin elle işaretlenerek test үчүн gerçek referans olarak kullanıldığı belirtilmektedir.

Anormal olayların videoların yalnızca küçük bir bölümünü oluşturduğu жана normal etkinliklerle görsel olarak örtüşebildiği belirtilmektedir. Бирок normal, шектүү жана anormal biçimindeki üç sınıfın AVENUE etiketlerinden кантип üretildiği açıklanmamıştır.

Şekiller жана grafikler эмнени көрсөтөт?

Genel mimari şeması

Şekil 1, маалымат топтомуnden başlayarak ön işleme, YOLOv8 insan tespiti, ResNet50 özellik çıkarımı, Bi-LSTM zaman modellemesi, ANFIS karar verme жана normal-шектүү-anormal çıktısına kadar bütün veri akışını göstermektedir. Şemada тактык, тактык, сезгичтик, F1 упайы, ROC-AUC жана жалган коңгуроо катышыnın değerlendirme көрсөткүчтөрү olduğu da belirtilmektedir.

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

Eğitim doğruluğu жана 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. Бирок yalnızca eğitim eğrileri sunulmuştur; doğrulama doğruluğu жана doğrulama kaybı verilmediği үчүн aşırı öğrenme olup olmadığı bu grafikten belirlenemez.

Hız üyelik fonksiyonları

Şekil 3’te yatay eksen 0-10 arasında кыймыл ылдамдыгыnı, dikey eksen 0-1 arasında бүдөмүк мүчөлүк derecesini göstermektedir. Yavaş kümesi 0 civarında en yüksek üyeliğe sahip olup 5 civarında sıfıra iner. Orta kümesi yaklaşık 3 менен 7 arasında üçgen biçimindedir жана 5 civarında en yüksek üyeliğe ulaşır. Hızlı kümesi 5 civarında başlayıp 10’da en yüksek üyeliğe ulaşır. Hız ekseninin fiziksel birimi жана bu sınırların veriden mi yoksa uzman tercihiyle mi belirlendiği açıklanmamıştır.

“Süre мүчөлүк функциясы” olarak adlandırılan grafik

Şekil 4’ün başlığı иш-аракет узактыгыne ait мүчөлүк функциясыnu ifade etmesine rağmen görsel, normal үчүн 20, шектүү үчүн 40 жана anormal үчүн yaklaşık 84 değerlerini gösteren bir risk puanı sütun grafiğidir. Grafik süre ekseni, kısa-orta-uzun üyelik kümeleri же örtüşen üyelik eğrileri içermemektedir. Ошондуктан 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 жана 70 düzeyinde bir anormal eşik çizgisi bulunduğu görülmektedir. Puan yaklaşık 14. karede eşik düzeyine ulaşmakta жана sonraki karelerde eşiğin üzerine çıkmaktadır. Изилдөөчүлөр bu artışı ani koşma, keskin yön değiştirme жана olağandışı hareketlerle ilişkilendirmektedir.

Муну менен бирге grafikte gerçek video karesi, olay başlangıç-bitiş işaretleri, gerçek referans etiketleri же farklı normal жана anormal video örnekleri gösterilmemektedir. Anomali puanının 0-100 aralığına кантип ölçeklendiği жана 70 eşiğinin кантип seçildiği de açıklanmamıştır.

Karışıklık matrisi

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

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

Bu натыйжа, metinde bildirilen yüzde 98 тактыкla uyuşmamaktadır. Мындан тышкары model çıktısı normal, шектүү жана anormal olmak üzere üç sınıf şeklinde tanımlanırken чаташуу матрицасы yalnızca iki sınıf göstermektedir. Eksenlerde sınıf adları yerine 0 жана 1 etiketleri kullanılmıştır.

Mevcut yöntemlerle karşılaştırma

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

Бирок karşılaştırılan modellerin aynı eğitim-test bölünmesiyle yeniden çalıştırılıp çalıştırılmadığı, değerlerin önceki yayınlardan mı alındığı, modellerin hiperparametreleri жана тажрыйбаларin kaç kez tekrarlandığı açıklanmamıştır. Ошондуктан yüzde farkları eş koşullarda yapılmış doğrulanmış bir karşılaştırma olarak değerlendirilemez.

Toplu performans grafiği

Şekil 8’de тактык yüzde 98, тактык yüzde 97,6, сезгичтик yüzde 97,2, F1 упайы yüzde 97,4, ROC-AUC yüzde 99 жана жалган коңгуроо катышы yüzde 2,1 olarak gösterilmektedir. Metnin bir bölümünde ROC-AUC “0,99%” biçiminde yazılırken натыйжа bölümünde 0,99 olarak verilmektedir. ROC-AUC үчүн matematiksel olarak anlamlı gösterim 0,99 же yüzde 99 olabilir; ancak изилдөө içindeki farklı gösterimler sessizce tek bir değere dönüştürülmemelidir.

Çalışmanın desteklediği натыйжалар nelerdir?

• Изилдөөчүлөр, insan tespiti, görüntü özelliği çıkarımı, zaman dizisi analizi жана bulanık karar vermeyi birleştiren modüler bir mimari tanımlamıştır.
• Mimari, AVENUE маалымат топтому üzerinde değerlendirilmek üzere tasarlanmıştır.
• Hareket hızı, иш-аракет узактыгы, yön değişimi жана ağ güven puanlarının ANFIS girdileri olarak kullanılabileceği gösterilmiştir.
• Çalışma, benzer hareketler arasındaki belirsizliği sabit eşikler yerine бүдөмүк мүчөлүкlerle ele alma fikrini ortaya koymaktadır.
• Изилдөөчүлөр yüksek тактык жана düşük жалган коңгуроо катышы bildirmektedir.

Çalışma neyi kanıtlamamaktadır?

• Çalışma, modelin gerçek şehir байкоо sistemlerinde yüzde 98 тактыкla çalışacağını kanıtlamamaktadır.
• Sunulan чаташуу матрицасы, bildirilen yüzde 98 doğruluğu doğrulamamaktadır.
• ANFIS bileşeninin performans artışına tek başına ne kadar katkı sağladığını gösteren bir çıkarım же bileşen kaldırma analizi sunulmamıştır.
• Modelin farklı ülkelerde, farklı kamera açılarında, gece koşullarında же yoğun kalabalıklarda genelleneceği gösterilmemiştir.
• Gerçek zamanlı işlem hızı, kare/saniye değeri, gecikme, bellek tüketimi жана uç cihaz performansı ölçülmemiştir.
• “Şüpheli” sınıfının кайсы gerçek referans etiketlerinden üretildiği açıklanmamıştır.
• Modelin yanlış alarmlarının güvenlik görevlileri, izlenen kişiler же karar süreçleri üzerindeki etkisi değerlendirilmemiştir.
• Sonuçlar bağımsız bir изилдөө grubu tarafından tekrarlanmamış жана рецензиядан өтпөгөнtir.

Çalışmanın güçlü yönleri nelerdir?

Çalışmanın başlıca güçlü yönü, анормалдуу иш-аракет 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 жана ANFIS son karardaki belirsizliği ele almaktadır. Bu yapı, gelecekte yapılacak daha ayrıntılı тажрыйбаларde her bileşenin ayrı ayrı sınanmasına uygun bir изилдөө çerçevesi sağlayabilir.

AVENUE gibi etiketli bir байкоо маалымат топтомуnin kullanılması жана тактык dışında тактык, сезгичтик, F1 упайы, ROC-AUC жана жалган коңгуроо катышы gibi çeşitli көрсөткүчlere yer verilmesi de изилдөөnın amaç düzeyindeki olumlu özellikleridir. Мындан тышкары hız мүчөлүк функциясы, bulanık sınıflandırmanın mantığını görsel olarak anlaşılır kılmaktadır.

Başlıca sınırlılıklar жана iç tutarlılık sorunları nelerdir?

• Çalışma рецензиядан өтпөгөн bir preprinttir.
• Yüklenen dosyada ilk 15 sayfalık içerik ikinci 15 sayfada büyük ölçüde tekrar edilmektedir.
• Üç sınıflı çıktı anlatılmasına rağmen iki sınıflı чаташуу матрицасы verilmiştir.
• Karışıklık matrisindeki değerler yüzde 90 тактык gösterirken yüzde 98 genel тактык bildirilmiştir.
• Eğitim doğruluğu sunulmuş, ayrı doğrulama жана test eğrileri gösterilmemiştir.
• Eğitim, doğrulama жана test örneklerinin кантип ayrıldığı ayrıntılı olarak açıklanmamıştır.
• Bi-LSTM dizi uzunluğu, katman sayısı, gizli birim sayısı, iyileştirici algoritma, öğrenme oranı жана parti büyüklüğü bildirilmemiştir.
• YOLOv8 sürümü, güven eşiği, yeniden eğitim yöntemi жана insan tespit көрсөткүчтөрү verilmemiştir.
• ANFIS kural tabanı, bütün üyelik fonksiyonları, öğrenme yöntemi жана eğitim dönemi açıklanmamıştır.
• Şekil 4’ün başlığıyla gösterdiği grafik uyuşmamaktadır.
• ROC-AUC değeri 0,99, yüzde 99 жана yüzde 0,99 biçimlerinde tutarsız gösterilmiştir.
• Karşılaştırma yöntemlerinin eş тажрыйба koşullarında çalıştırıldığı gösterilmemiştir.
• Güven aralığı, standart sapma, tekrar sayısı же istatistiksel anlamlılık analizi sunulmamıştır.
• Gerçek zamanlı изилдөө iddiasını destekleyecek gecikme же kare/saniye ölçümü bulunmamaktadır.
• Model kodu, eğitilmiş ağırlıklar жана yeniden өндүрүш үчүн gerekli ayrıntılı тажрыйба yapılandırması изилдөөda yer almamaktadır.

Geçmiş, bugün жана gelecek açısından anlamı эмне?

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

Bugünkü katkısı, farklı жасалма интеллект bileşenlerinin кайсы sırayla bir araya getirilebileceğini gösteren kavramsal жана uygulamalı bir mimari sunmasıdır. Бирок yüksek performans değerlerinin mevcut raporlama biçimiyle doğrulanamaması, изилдөөnın güncel değerini tamamlanmış bir saha çözümünden çok yeniden sınanması gereken bir изилдөө prototipi düzeyinde tutmaktadır.

Gelecekte bu mimarinin birden fazla маалымат топтомуnde, farklı kamera ortamlarında жана bağımsız test kümelerinde değerlendirilmesi; ANFIS’in katkısının bileşen kaldırma тажрыйбаларiyle ölçülmesi; üyelik fonksiyonlarının veriden кантип öğrenildiğinin açıklanması жана реалдуу убакыттагы gecikmenin raporlanması gerekmektedir. Изилдөөчүлөр da gelecek изилдөө olarak uç bilişim, transformer tabanlı zaman modelleme жана farklı байкоо veri kümeleri üzerinde değerlendirme önermektedir.

Изилдөөнүн методу жана натыйжалары

Teknik yöntem özeti

ANFIS girdileri жана yorumları

Performans көрсөткүчтөрү

Genel mimari şemasında kullanılan негизги sınıflandırma көрсөткүчтөрү 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 жана FN yanlış negatif sınıflandırma sayısını göstermektedir. ROC-AUC ise farklı karar eşiklerinde doğru pozitif жана yanlış pozitif oranları arasındaki ayırma başarısını özetlemektedir.

Изилдөөчүлөрın bildirdiği натыйжалар

Karşılaştırmalı тактык натыйжаларı

Tablo, изилдөөчүлөрın önerilen modeli en yüksek doğruluğa sahip yaklaşım olarak sunduğunu göstermektedir. Муну менен бирге aynı veri bölünmesi, aynı eğitim bütçesi жана aynı değerlendirme protokolünün bütün yöntemlere uygulanıp uygulanmadığı açıklanmadığından karşılaştırma doğrulanmış bir üstünlük kanıtı değildir.

Donanım жана yazılım ortamı

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

Булак жана метод эскертүүсү

Бул изилдөө рецензиядан өтпөгөн bir preprinttir; натыйжаларı 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 изилдөө kaydını tanımlamaktadır.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen изилдөөya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca yazar sırası, iletişim yazarı, DOI, platform жана yükleme tarihi gibi bibliyografik kimlik bilgilerinin doğrulanması үчүн kullanılmıştır. Yüklenen изилдөөda bulunmayan bilimsel натыйжа, ek тажрыйба же dış performans bulgusu makaleye eklenmemiştir.

Çalışmanın başlıca yöntemsel sınırlılıkları; üç sınıflı model anlatımıyla iki sınıflı чаташуу матрицасы arasındaki uyuşmazlık, чаташуу матрицасыnin yüzde 90 тактык göstermesine karşın yüzde 98 тактык bildirilmesi, doğrulama protokolünün açıklanmaması, ANFIS kural жана üyelik parametrelerinin verilmemesi, karşılaştırma koşullarının belirsizliği жана реалдуу убакыттагы performans ölçümlerinin bulunmamasıdır. Yüklenen 30 sayfalık dosyada bilimsel içerik iki kez yer almaktadır.

Çalışma, gerçek saha uygulaması, uzun dönem ишенимдүүлүк, güvenlik garantisi же Türkiye’de doğrudan kullanılabilirlik kanıtı sunmamaktadır. Bildirilen performans değerlerinin bağımsız veri kümelerinde, açık тажрыйба protokolleriyle жана yeniden üretilebilir kodla doğrulanması gerekmektedir.