Ushbu tadqiqot kuzatuv videolaridagi noodatiy inson faoliyatlarini avtomatik aniqlash maqsadida YOLOv8, ResNet50, ikki yoʻnalishli uzoq-qisqa muddatli xotira tarmogʻi va moslashuvchan neyro-loyqa xulosa chiqarish tizimini birlashtiruvchi gibrid arxitekturani taklif etadi. Model 16 ta oʻquv va 21 ta sinov videosini oʻz ichiga olishi aytilgan AVENUE maʼlumotlar toʻplamida baholangan; tadqiqotchilar 98 foiz aniqlik, 97,6 foiz precision, 97,2 foiz recall, 97,4 foiz F1 ball, 0,99 ROC-AUC va 2,1 foiz notoʻgʻri signal darajasini bildirgan. Biroq tadqiqot taqrizdan oʻtmagan preprint boʻlib, tajriba protokolidagi kamchiliklar hamda bildirilgan ishlash ko‘rsatkichlari bilan chalkashlik matritsasi o‘rtasidagi nomuvofiqliklar sababli natijalar dastlabki topilmalar sifatida baholanishi kerak.

Taklif etilgan tizimda YOLOv8 har bir video kadridagi odamlarni topib chegaralovchi qutilar bilan lokalizatsiya qiladi, ResNet50 inson holati va sahna konteksti kabi fazoviy xususiyatlarni ajratib oladi, ikki yoʻnalishli uzoq-qisqa muddatli xotira tarmogʻi bu xususiyatlarning vaqt bo‘yicha o‘zgarishini tahlil qiladi va moslashuvchan neyro-loyqa xulosa chiqarish tizimi harakat tezligi, faoliyat davomiyligi, yo‘nalish o‘zgarishi va tarmoqlarning ishonch ballarini birgalikda baholab, faoliyatni normal, shubhali yoki noodatiy deb tasniflaydi. Yondashuvning asosiy g‘oyasi bir-biriga o‘xshash tez yurish, yugurish, kutib turish va noodatiy yo‘nalish o‘zgartirish kabi xatti-harakatlar o‘rtasidagi noaniqlikni bitta qat’iy chegara o‘rniga bir-birini qoplaydigan loyqa a’zolik darajalari orqali boshqarishdir.

Turkiya nuqtayi nazaridan baholash: Ushbu arxitektura Turkiyada munitsipal transport markazlari, universitet kampuslari, stansiyalar, shifoxona atroflari, maktab hududlari va sanoat obyektlarida tadqiqot maqsadidagi aqlli kamera ilovalariga moslashtirilishi mumkin bo‘lgan metodik doirani taqdim etadi. Biroq buning uchun Turkiyadagi kamera burchaklari, yoritish sharoitlari, olomon zichligi va kundalik harakat namunalari aks etgan mahalliy ma’lumotlar to‘plamlari yaratilishi; normal, shubhali va noodatiy sinflar aniq mezonlar bilan yorliqlanishi; mustaqil sinovlarda noto‘g‘ri signal, o‘tkazib yuborilgan hodisa, kechikish va real vaqt ishlov tezligi o‘lchanishi kerak. Tadqiqotdan Turkiyadagi dala sharoitidagi muvaffaqiyat, huquqiy muvofiqlik, real vaqtda ishlash, turli ijtimoiy guruhlarda teng ishlash yoki 2,1 foiz darajasidagi noto‘g‘ri signal ko‘rsatkichi to‘g‘ridan-to‘g‘ri kelib chiqmaydi.

Tadqiqotning asosiy savoli nima?

Tadqiqotning asosiy savoli kuzatuv videolaridagi inson harakatlarining fazoviy ko‘rinishi, vaqt davomida rivojlanishi va noaniq xatti-harakat chegaralarini bitta model ichida birlashtirish noodatiy faoliyatni aniqlashni yaxshilaydimi, degan masaladir. Tadqiqotchilar ayniqsa odatiy yurish bilan tez harakat, qisqa muddat kutish bilan shubhali aylanib yurish va odatiy yo‘nalish o‘zgarishi bilan tartibsiz harakat o‘rtasida qat’iy chegaralar yo‘qligini ta’kidlaydi.

Tadqiqot bu savolga to‘rt komponentli arxitektura orqali javob berishni maqsad qiladi: YOLOv8 odamlarni aniqlaydi, ResNet50 tasvir xususiyatlarini ajratadi, Bi-LSTM ketma-ket kadrlardagi harakat namunalari o‘rganadi va ANFIS noaniqlikni loyqa qoidalar orqali baholab yakuniy tasnifni hosil qiladi.

Tadqiqot nima uchun muhim?

Kuzatuv kameralari juda ko‘p bir vaqtdagi video oqimlarini hosil qilgani sababli barcha tasvirlarni odamlar tomonidan uzluksiz kuzatish diqqatning pasayishi, charchoq va muhim hodisalarning e’tibordan chetda qolishi xavfini tug‘diradi. Tadqiqotchilar mushtlashuv, taqiqlangan hududda yugurish, uzoq vaqt aylanib yurish, buyum uloqtirish, teskari yo‘nalishda harakatlanish va noodatiy harakat namunalari kabi hodisalarni avtomatik aniqlashni aqlli kuzatuv tizimlarining asosiy muammolaridan biri sifatida ko‘radi.

An’anaviy usullar optik oqim, harakat trayektoriyasi, yo‘naltirilgan gradientlar gistogrammasi va qo‘lda ishlab chiqilgan boshqa xususiyatlarga tayangan bo‘lishi mumkin. Tadqiqotga ko‘ra, bunday yondashuvlar yoritish o‘zgarishi, olomon, berkitilish, turli kamera burchaklari va harakatlanuvchi fon sharoitida umumlashtirishda qiyinchilikka duch kelishi mumkin. Chuqur o‘rganish modellari tasvirdan xususiyat o‘rgana olsa-da, o‘xshash xatti-harakatlar orasidagi noaniqlikni har doim ham ochiq boshqara olmaydi. Taklif etilgan model to‘ldirishni maqsad qilgan bo‘shliq kuchli vizual va vaqt xususiyatlarini ajratishni neyro-loyqa qaror mexanizmi bilan bitta ishlov zanjirida birlashtirishdir.

Taklif etilgan arxitektura qanday ishlaydi?

1. Video kadrlarini tayyorlash

Kirish videosi avval ketma-ket tasvir kadrlariga ajratiladi:

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

Bu yerda V kirish videosini, F_i esa videodan olingan i-raqamli kadrni bildiradi. Kadrlar soni o‘lchovsiz miqdordir. Tadqiqot metodologiyasi kadrlar ResNet50 kirishi uchun 224 × 224 pikselga keltirilishini bildiradi. Bunga qarama-qarshi ravishda umumiy arxitektura sxemasida 640 × 640 o‘lchamga qayta o‘lchash ko‘rsatilgan. Bular YOLOv8 va ResNet50 uchun alohida o‘lchamlar ekanmi, aniq izohlanmagan.

Piksel qiymatlari 0 dan 1 gacha bo‘lgan oraliqqa o‘tkaziladi:

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

X 0 dan 255 gacha bo‘lgan asl piksel intensivligini; X_norm esa o‘lchovsiz normalizatsiya qilingan qiymatni anglatadi. Bu o‘zgartirish tarmoqning turli piksel kattaliklari bilan muvozanatliroq ishlashini maqsad qiladi.

Sensor va yoritish shovqinini kamaytirish uchun Gauss filtri qo‘llangani aytiladi:

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

Bu formulada x va y markaziy pikselga nisbatan joylashuvni, σ filtr tarqalish kengligini, G(x,y) esa tegishli joydagi og‘irlikni anglatadi. Joylashuvlar piksel birliklarida baholanishi kutiladi, biroq tadqiqotda ishlatilgan yadro o‘lchami va σ qiymati bildirilmagan. Umumiy sxema shuningdek aylantirish va siljitish kabi ma’lumotlarni ko‘paytirish amallarini ko‘rsatadi, ammo ularning nisbatlari va parametrlarini tushuntirmaydi.

2. YOLOv8 yordamida insonni aniqlash

YOLOv8 har bir kadrda inson deb aniqlagan hududlarni sinf yorlig‘i, ishonch balli va chegaralovchi quti bilan ko‘rsatadi:

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

Bu yerda x va y qutining joylashuvini, w kengligini, h balandligini anglatadi. Koordinatalar pikselda yoki normalizatsiya qilingan shaklda saqlanishi ko‘rsatilmagan. Inson hududi qirqib olinib ResNet50 ga uzatiladi, YOLOv8 ishonch balli esa keyinchalik ANFIS qaror qatlamida ishlatiladigan kirishlardan biriga aylanadi.

Bu bosqichning maqsadi butun sahnani bir xil og‘irlikda tekshirish o‘rniga modelni inson mavjud bo‘lgan hududlarga yo‘naltirishdir. Biroq tadqiqot YOLOv8 ning qaysi og‘irlik versiyasidan foydalanganini, qayta o‘qitilgan-o‘qitilmaganini, ishonch chegarasini va inson aniqlash samaradorligini alohida bildirmaydi.

3. ResNet50 yordamida fazoviy xususiyatlarni ajratish

YOLOv8 tomonidan aniqlangan inson hududlari 50 qatlamli qoldiq bog‘lanishli neyron tarmog‘i ResNet50 ga beriladi. Qoldiq o‘rganishning asosiy munosabati quyidagicha taqdim etiladi:

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

x kirish xususiyat xaritasini, F(x,W) o‘rganiladigan W parametrlar bilan olinadigan qoldiq transformatsiyani, y esa chiqish xususiyat xaritasini anglatadi. Kirish ma’lumotining transformatsiya natijasiga bevosita qo‘shilishi chuqur tarmoqlarda axborotning qatlamlar bo‘ylab uzatilishini osonlashtiradi.

Global o‘rtacha poolingdan so‘ng har bir inson hududi uchun 2048 komponentli xususiyat vektori hosil qilinishi bildirilgan:

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

Bu vektor inson holati, tana shakli, atrofdagi obyektlar bilan o‘zaro ta’sir va sahna konteksti kabi tasvirdan o‘rganilgan namunalarning ifodasini yaratishni maqsad qiladi. Komponentlarning alohida fizik birligi yo‘q; ular tarmoq tomonidan o‘rganilgan sonli xususiyatlardir.

4. Bi-LSTM yordamida vaqt bo‘yicha harakatni modellashtirish

Bitta kadr shaxs yugurayotganini, birdan yo‘nalishni o‘zgartirganini yoki uzoq vaqt bir hududda qolganini yolg‘iz o‘zi tushuntirish uchun yetarli bo‘lmasligi mumkin. Shu sababli ketma-ket kadrlardan olingan 2048 o‘lchamli vektorlar vaqt qatori sifatida ikki yo‘nalishli uzoq-qisqa muddatli xotira tarmog‘iga uzatiladi.

Tadqiqotda vaqt bosqichidagi yashirin holat uchun quyidagi soddalashtirilgan munosabat berilgan:

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

x_t t vaqtidagi kirish vektorini, h_t-1 oldingi yashirin holatni, W va U o‘rganiladigan og‘irlik matritsalarini, b siljish hadini va f chiziqli bo‘lmagan transformatsiyani bildiradi. Bu ifoda to‘liq LSTM tuzilmasidagi kirish, unutish va chiqish darvozalarining barcha tenglamalarini o‘z ichiga olmaydi; faqat vaqt holatining umumiy yangilanishini qisqacha ifodalaydi.

Oldinga va orqaga yo‘nalishdagi holatlar quyidagicha birlashtiriladi:

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

Bu ifodada nuqtali vergul ikki yo‘nalish xususiyatlarining birlashtirilishini bildiradi. Shunday qilib, model bir kadrning nafaqat o‘tmishini, balki kuzatilayotgan video parchasidagi keyingi kadrlarni ham ishlatadi. Bu xususiyat oflayn video tahlili uchun foydali bo‘lishi mumkin; biroq kelajakdagi kadrlarga ehtiyoj real vaqt signalizatsiyasi kechikishiga ta’sir qilishi mumkin. Tadqiqot bu kechikishni o‘lchamagan.

5. ANFIS yordamida noaniqlikka asoslangan qaror qabul qilish

Moslashuvchan neyro-loyqa xulosa chiqarish tizimi neyron tarmoqlarning ma’lumotdan o‘rganish qobiliyatini loyqa mantiqning a’zolik funksiyalari va “agar-u holda” qoidalari bilan birlashtiradi. Tadqiqotda ANFIS ga beriladigan besh kirish quyidagilardir:

• Harakat tezligi,
• Faoliyat davomiyligi,
• Harakat yo‘nalishidagi o‘zgarish,
• YOLOv8 inson aniqlash ishonch balli,
• Bi-LSTM noodatiy faoliyat ehtimoli.

Harakat tezligi sekin, o‘rta va tez kabi lingvistik to‘plamlar bilan ifodalanadi. Bitta harakat bir vaqtning o‘zida ma’lum darajada ham “o‘rta”, ham “tez” to‘plamlariga mansub bo‘lishi mumkinligi sababli qarorning keskin chegarada birdan o‘zgarishi o‘rniga yumshoqroq o‘tish maqsad qilinadi. Misol qoidalarda yuqori tezlik va tartibsiz yo‘nalish o‘zgarishi noodatiy, past tezlik va silliq trayektoriya normal, o‘rta tezlik va uzoq davom etadigan faoliyat esa shubhali deb baholanadi.

Faol qoidalarning natijalari birlashtiriladi va og‘irlik markazi defuzzifikatsiyasi orqali bitta anomaliya balli olinadi. Tadqiqot ball normal, shubhali va noodatiy sinflarga aylantirilishini bildiradi. Biroq barcha a’zolik funksiyalarining sonli chegaralari, to‘liq qoida bazasi, qoidalarni o‘rganish usuli va ANFIS o‘qitish parametrlari berilmagan.

Ma’lumotlar to‘plami qanday xususiyatlarga ega?

Tadqiqot ochiq havo kampus kuzatuv tasvirlaridan iborat AVENUE ma’lumotlar to‘plamidan foydalanganini bildiradi. Ma’lumotlar to‘plamida yugurish, buyum uloqtirish, noodatiy yo‘nalishda harakat qilish va uzoq vaqt aylanib yurish kabi hodisalar borligi; noodatiy kadrlar qo‘lda belgilangan va test uchun haqiqiy etalon sifatida ishlatilgani aytiladi.

Noodatiy hodisalar videolarning faqat kichik qismini tashkil qilishi va normal faoliyatlar bilan vizual jihatdan ustma-ust tushishi qayd etilgan. Ammo normal, shubhali va noodatiy kabi uch sinfning AVENUE yorliqlaridan qanday hosil qilingani tushuntirilmagan.

Shakllar va grafiklar nimani ko‘rsatadi?

Umumiy arxitektura sxemasi

1-shakl ma’lumotlar to‘plamidan boshlab oldindan ishlov, YOLOv8 insonni aniqlash, ResNet50 xususiyat ajratish, Bi-LSTM vaqt modellemesi, ANFIS qaror qabul qilish va normal-shubhali-noodatiy chiqishigacha bo‘lgan butun ma’lumot oqimini ko‘rsatadi. Sxemada aniqlik, precision, recall, F1 ball, ROC-AUC va noto‘g‘ri signal darajasi baholash mezonlari sifatida ham ko‘rsatilgan.

Sxemaning kuchli tomoni modullar vazifalarini aniq ajratishidir. Biroq sxema o‘quv va sinov to‘plamlarini “normal va noodatiy” deb ko‘rsatadi, matnda esa uchta chiqish sinfi tilga olinadi. Shubhali sinfning yorliq manbai tushuntirilmagan.

O‘qitish aniqligi va yo‘qotish grafigi

2-shaklda o‘qitish aniqligi 10 davr davomida taxminan 0,70 dan 0,98 gacha oshadi, o‘qitish yo‘qotishi esa taxminan 0,90 dan 0,12 gacha kamayadi. Bu grafik modelning o‘quv ma’lumotlariga tobora yaxshiroq moslashayotganini ko‘rsatadi. Biroq faqat o‘qitish egri chiziqlari berilgan; validatsiya aniqligi va validatsiya yo‘qotishi ko‘rsatilmagani uchun ortiqcha moslashuv mavjud yoki yo‘qligini ushbu grafikdan aniqlab bo‘lmaydi.

Tezlik a’zolik funksiyalari

3-shaklda gorizontal o‘q 0-10 oralig‘idagi harakat tezligini, vertikal o‘q esa 0-1 oralig‘idagi loyqa a’zolik darajasini ko‘rsatadi. Sekin to‘plam 0 atrofida eng yuqori a’zolikka ega bo‘lib, 5 atrofida nolga tushadi. O‘rta to‘plam taxminan 3 bilan 7 oralig‘ida uchburchak shaklida bo‘lib, 5 atrofida eng yuqori a’zolikka yetadi. Tez to‘plam 5 atrofida boshlanib, 10 da eng yuqori a’zolikka yetadi. Tezlik o‘qining fizik birligi va bu chegaralar ma’lumotdan olinganmi yoki ekspert tanlovi bilan belgilanganmi, tushuntirilmagan.

“Davomiylik a’zolik funksiyasi” deb nomlangan grafik

4-shakl sarlavhasi faoliyat davomiyligiga oid a’zolik funksiyasini bildirsa-da, tasvir normal uchun 20, shubhali uchun 40 va noodatiy uchun taxminan 84 qiymatlarni ko‘rsatadigan xavf balli ustunli grafikdir. Grafikda davomiylik o‘qi, qisqa-o‘rta-uzoq a’zolik to‘plamlari yoki bir-birini qoplaydigan a’zolik egri chiziqlari yo‘q. Shu sababli shakl sarlavhasi bilan vizual mazmun o‘rtasida aniq nomuvofiqlik mavjud.

Anomaliya balli grafigi

5-shaklda 20 kadr davomida anomaliya balli taxminan 15 dan 96 gacha izchil ko‘tarilishi va 70 darajada noodatiylik chegarasi chizig‘i borligi ko‘rinadi. Ball taxminan 14-kadrda chegara darajasiga yetadi va keyingi kadrlarda undan yuqoriga chiqadi. Tadqiqotchilar bu oshishni to‘satdan yugurish, keskin yo‘nalish o‘zgarishi va noodatiy harakatlar bilan bog‘laydi.

Biroq grafikda haqiqiy video kadri, hodisa boshlanish-tugash belgilari, haqiqiy etalon yorliqlar yoki turli normal va noodatiy video namunalari ko‘rsatilmagan. Anomaliya ballining 0-100 oralig‘iga qanday masshtablangani va 70 chegarasining qanday tanlangani ham tushuntirilmagan.

Chalkashlik matritsasi

6-shakldagi chalkashlik matritsasi ikki qator va ikki ustundan iborat. Katak qiymatlari 4, 1, 0 va 5. Shunday qilib jami 10 namunadan 9 tasi asosiy diagonalda to‘g‘ri, 1 tasi noto‘g‘ri tasniflangan ko‘rinadi. Ushbu matritsa bevosita ko‘rsatadigan aniqlik 90 foizdir:

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

Bu natija matnda bildirilgan 98 foiz aniqlik bilan mos kelmaydi. Bundan tashqari, model chiqishi normal, shubhali va noodatiy uch sinf sifatida ta’riflangan bo‘lsa-da, chalkashlik matritsasi faqat ikki sinfni ko‘rsatadi. O‘qlarda sinf nomlari o‘rniga 0 va 1 yorliqlari ishlatilgan.

Mavjud usullar bilan taqqoslash

7-shakl va 2-jadvalda CNN uchun 87 foiz, CNN-LSTM uchun 90 foiz, ConvLSTM uchun 92 foiz, YOLO va Bi-LSTM birikmasi uchun 94 foiz, taklif etilgan model uchun 98 foiz aniqlik bildiriladi. Tadqiqotchilar oshishni insonni lokalizatsiya qilish, fazoviy xususiyat ajratish, vaqt modellemesi va loyqa qaror berishni birga qo‘llash bilan izohlaydi.

Biroq taqqoslangan modellar bir xil o‘quv-sinov bo‘linishi bilan qayta ishlatilganmi, qiymatlar oldingi nashrlardan olinganmi, modellarning giperparametrlari va tajribalar necha marta takrorlangani tushuntirilmagan. Shu sababli foiz farqlari teng sharoitda o‘tkazilgan tasdiqlangan taqqoslash sifatida baholanmaydi.

Yig‘ma ishlash grafigi

8-shaklda aniqlik 98 foiz, precision 97,6 foiz, recall 97,2 foiz, F1 ball 97,4 foiz, ROC-AUC 99 foiz va noto‘g‘ri signal darajasi 2,1 foiz sifatida ko‘rsatilgan. Matnning bir qismida ROC-AUC “0,99%” shaklida yozilgan bo‘lsa, natijalar bo‘limida 0,99 sifatida berilgan. ROC-AUC uchun matematik jihatdan mazmunli ko‘rsatish 0,99 yoki 99 foiz bo‘lishi mumkin; biroq tadqiqot ichidagi turli ko‘rsatishlar jimlik bilan bitta qiymatga aylantirilmasligi kerak.

Tadqiqot qanday natijalarni qo‘llab-quvvatlaydi?

• Tadqiqotchilar insonni aniqlash, tasvir xususiyati ajratish, vaqt qatori tahlili va loyqa qaror qabul qilishni birlashtirgan modulli arxitekturani ta’riflagan.
• Arxitektura AVENUE ma’lumotlar to‘plamida baholanish uchun ishlab chiqilgan.
• Harakat tezligi, faoliyat davomiyligi, yo‘nalish o‘zgarishi va tarmoq ishonch ballaridan ANFIS kirishlari sifatida foydalanish mumkinligi ko‘rsatilgan.
• Tadqiqot o‘xshash harakatlar orasidagi noaniqlikni qat’iy chegaralar o‘rniga loyqa a’zolik bilan boshqarish g‘oyasini ilgari suradi.
• Tadqiqotchilar yuqori aniqlik va past noto‘g‘ri signal darajasini bildirgan.

Tadqiqot nimani isbotlamaydi?

• Tadqiqot model haqiqiy shahar kuzatuv tizimlarida 98 foiz aniqlik bilan ishlashini isbotlamaydi.
• Taqdim etilgan chalkashlik matritsasi bildirilgan 98 foiz aniqlikni tasdiqlamaydi.
• ANFIS komponentining ishlash oshishiga yakka holda qancha hissa qo‘shganini ko‘rsatadigan chiqarib tashlash yoki komponent ablatsiyasi tahlili taqdim etilmagan.
• Model turli mamlakatlarda, turli kamera burchaklarida, tungi sharoitlarda yoki zich olomonda umumlashtirilishi ko‘rsatilmagan.
• Real vaqt ishlash tezligi, kadr/soniya qiymati, kechikish, xotira sarfi va chekka qurilma ishlashi o‘lchanmagan.
• “Shubhali” sinf qaysi haqiqiy etalon yorliqlardan yaratilgani tushuntirilmagan.
• Modelning noto‘g‘ri signallari xavfsizlik xodimlari, kuzatilayotgan shaxslar yoki qaror jarayonlariga qanday ta’sir qilishi baholanmagan.
• Natijalar mustaqil tadqiqot guruhi tomonidan takrorlanmagan va taqrizdan o‘tmagan.

Tadqiqotning kuchli tomonlari nimalar?

Tadqiqotning asosiy kuchli tomoni noodatiy faoliyatni aniqlashni bitta qora quti tasniflagich o‘rniga vazifalari aniq modullarga bo‘lingan ishlov zanjiri sifatida taqdim etishidir. YOLOv8 inson hududiga e’tibor qaratadi, ResNet50 tasvir mazmunini ifodalaydi, Bi-LSTM vaqt munosabatini tahlil qiladi va ANFIS yakuniy qarordagi noaniqlikni boshqaradi. Bu tuzilma kelgusidagi batafsil tajribalarda har bir komponentni alohida sinashga mos tadqiqot doirasini ta’minlashi mumkin.

AVENUE kabi yorliqlangan kuzatuv ma’lumotlar to‘plamidan foydalanish va aniqlikdan tashqari precision, recall, F1 ball, ROC-AUC va noto‘g‘ri signal darajasi kabi turli mezonlarni kiritish ham tadqiqotning maqsad darajasidagi ijobiy jihatlaridir. Bundan tashqari, tezlik a’zolik funksiyasi loyqa tasnif mantiqini vizual jihatdan tushunarli qiladi.

Asosiy cheklovlar va ichki izchillik muammolari nimalar?

• Tadqiqot taqrizdan o‘tmagan preprintdir.
• Yuklangan faylda dastlabki 15 sahifalik mazmun keyingi 15 sahifada katta darajada takrorlangan.
• Uch sinfli chiqish tasvirlansa-da, ikki sinfli chalkashlik matritsasi berilgan.
• Chalkashlik matritsasidagi qiymatlar 90 foiz aniqlikni ko‘rsatsa-da, 98 foiz umumiy aniqlik bildirilgan.
• O‘qitish aniqligi taqdim etilgan, alohida validatsiya va sinov egri chiziqlari ko‘rsatilmagan.
• O‘quv, validatsiya va sinov namunalarining qanday ajratilgani batafsil tushuntirilmagan.
• Bi-LSTM ketma-ketlik uzunligi, qatlam soni, yashirin birliklar soni, optimizator algoritmi, o‘rganish tezligi va batch hajmi bildirilmagan.
• YOLOv8 versiyasi, ishonch chegarasi, qayta o‘qitish usuli va inson aniqlash mezonlari berilmagan.
• ANFIS qoida bazasi, barcha a’zolik funksiyalari, o‘rganish usuli va o‘qitish davri tushuntirilmagan.
• 4-shakl sarlavhasi bilan ko‘rsatilgan grafik mos kelmaydi.
• ROC-AUC qiymati 0,99, 99 foiz va 0,99 foiz shakllarida nomuvofiq ko‘rsatilgan.
• Taqqoslash usullari bir xil tajriba sharoitida ishlatilgani ko‘rsatilmagan.
• Ishonch oralig‘i, standart og‘ish, takrorlar soni yoki statistik ahamiyat tahlili taqdim etilmagan.
• Real vaqt ishlash da’vosini qo‘llab-quvvatlaydigan kechikish yoki kadr/soniya o‘lchovi mavjud emas.
• Model kodi, o‘qitilgan og‘irliklar va qayta ishlab chiqarish uchun zarur batafsil tajriba konfiguratsiyasi tadqiqotda mavjud emas.

O‘tmish, bugun va kelajak nuqtayi nazaridan uning ma’nosi nima?

O‘tmishda kuzatuv videosi tahlili asosan optik oqim, trayektoriya va qo‘lda yaratilgan harakat tavsiflagichlari bilan amalga oshirilgan. Taklif etilgan yondashuv ushbu yo‘nalishdan xususiyatlarni avtomatik o‘rganadigan chuqur tarmoqlar va noaniqlikni ochiq modellashtirishga intiladigan neyro-loyqa tizimlarga o‘tishni ifodalaydi.

Bugungi hissasi turli sun’iy intellekt komponentlari qaysi ketma-ketlikda birlashtirilishi mumkinligini ko‘rsatadigan konseptual va amaliy arxitektura taklif qilishidir. Biroq yuqori ishlash ko‘rsatkichlarining mavjud hisobot shakli bilan tasdiqlanmasligi tadqiqotning hozirgi qiymatini yakunlangan dala yechimidan ko‘ra qayta sinanishi kerak bo‘lgan tadqiqot prototipi darajasida ushlab turadi.

Kelajakda ushbu arxitektura bir nechta ma’lumotlar to‘plamida, turli kamera muhitlarida va mustaqil sinov to‘plamlarida baholanishi; ANFIS hissasi komponentni olib tashlash tajribalari bilan o‘lchanishi; a’zolik funksiyalari ma’lumotdan qanday o‘rganilgani tushuntirilishi va real vaqt kechikishi bildirilishi kerak. Tadqiqotchilar ham kelajakdagi ish sifatida chekka hisoblash, transformer asosidagi vaqt modellemesi va turli kuzatuv ma’lumotlar to‘plamlarida baholashni taklif qiladi.

Tadqiqot usuli va natijalari

Texnik usulning qisqacha mazmuni

ANFIS kirishlari va ularning talqini

Ishlash mezonlari

Umumiy arxitektura sxemasida ishlatiladigan asosiy tasnif mezonlari quyidagicha beriladi:

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

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

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

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

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

Bu yerda TP to‘g‘ri musbat, TN to‘g‘ri manfiy, FP noto‘g‘ri musbat va FN noto‘g‘ri manfiy tasniflar sonini bildiradi. ROC-AUC esa turli qaror chegaralarida to‘g‘ri musbat va noto‘g‘ri musbat ko‘rsatkichlari o‘rtasidagi ajratish qobiliyatini umumlashtiradi.

Tadqiqotchilar bildirgan natijalar

Taqqoslama aniqlik natijalari

Jadval tadqiqotchilar taklif etilgan modelni eng yuqori aniqlikka ega yondashuv sifatida ko‘rsatganini bildiradi. Biroq bir xil ma’lumot bo‘linishi, bir xil o‘qitish budjeti va bir xil baholash protokoli barcha usullarga tatbiq etilgan-etilmaganligi tushuntirilmagani sababli taqqoslash tasdiqlangan ustunlik dalili emas.

Uskuna va dasturiy muhit

Tadqiqot uskuna o‘qitish va sinov uchun yetarli bo‘lganini bildiradi; biroq o‘qitish vaqti, inferens kechikishi, soniyasiga ishlangan kadrlar soni va GPU ishlatilishi kabi ishlash qiymatlarini bermaydi.

Manba va usul eslatmasi

Ushbu tadqiqot taqrizdan o‘tmagan preprint bo‘lib, natijalari shu cheklov hisobga olingan holda o‘qilishi kerak. DOI ma’lumoti yuklangan matnning sarlavha sahifasida bosilmagan; SSRN ning rasmiy qayd sahifasi orqali tasdiqlangan. DOI taqrizli jurnal maqolasidan ko‘ra SSRN tadqiqot qaydini identifikatsiya qiladi.

Ushbu turkcha Verianla maqolasining ilmiy mazmuni faqat yuklangan tadqiqotga tayangan holda tayyorlangan. Tashqi manbalar faqat mualliflar tartibi, aloqa muallifi, DOI, platforma va yuklash sanasi kabi bibliografik identifikatsiya ma’lumotlarini tekshirish uchun ishlatilgan. Yuklangan tadqiqotda bo‘lmagan ilmiy natija, qo‘shimcha tajriba yoki tashqi ishlash topilmasi maqolaga qo‘shilmagan.

Tadqiqotning asosiy metodologik cheklovlari uch sinfli model tavsifi bilan ikki sinfli chalkashlik matritsasi o‘rtasidagi nomuvofiqlik, chalkashlik matritsasi 90 foiz aniqlikni ko‘rsatishiga qaramay 98 foiz aniqlik bildirilishi, validatsiya protokolining tushuntirilmasligi, ANFIS qoidalari va a’zolik parametrlarining berilmasligi, taqqoslash sharoitlarining noaniqligi va real vaqt ishlash o‘lchovlarining mavjud emasligidir. Yuklangan 30 sahifalik faylda ilmiy mazmun ikki marta joylashtirilgan.

Tadqiqot haqiqiy dala qo‘llanilishi, uzoq muddatli ishonchlilik, xavfsizlik kafolati yoki Turkiyada to‘g‘ridan-to‘g‘ri qo‘llash mumkinligi bo‘yicha dalil bermaydi. Bildirilgan ishlash qiymatlari mustaqil ma’lumotlar to‘plamlarida, ochiq tajriba protokollari va qayta ishlab chiqariladigan kod bilan tasdiqlanishi kerak.