Högskolan i Skövde

his.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Sequential Conformal Anomaly Detection in Trajectories based on Hausdorff Distance
Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab (SAIL))
Högskolan i Skövde, Institutionen för kommunikation och information. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab (SAIL))ORCID-id: 0000-0001-8884-2154
2011 (Svenska)Ingår i: Proceedings of the 14th International Conference on Information Fusion (FUSION 2011), IEEE Computer Society, 2011, s. 153-160Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Abnormal behaviour may indicate important objects and situations in e.g. surveillance applications. This paper is concerned with algorithms for automated anomaly detection in trajectory data. Based on the theory of Conformal prediction, we propose the Similarity based Nearest Neighbour Conformal Anomaly Detector (SNN-CAD) which is a parameter-light algorithm for on-line learning and anomaly detection with wellcalibrated false alarm rate. The only design parameter in SNN-CAD is the dissimilarity measure. We propose two parameterfree dissimilarity measures based on Hausdorff distance for comparing multi-dimensional trajectories of arbitrary length. One of these measures is appropriate for sequential anomaly detection in incomplete trajectories. The proposed algorithms are evaluated using two public data sets. Results show that high sensitivity to labelled anomalies and low false alarm rate can be achieved without any parameter tuning.

Ort, förlag, år, upplaga, sidor
IEEE Computer Society, 2011. s. 153-160
Nyckelord [en]
Anomaly detection, trajectory data, Conformal prediction, Hausdorff distance, automated surveillance
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Teknik
Identifikatorer
URN: urn:nbn:se:his:diva-5687Scopus ID: 2-s2.0-80052522144ISBN: 978-1-4577-0267-9 (tryckt)ISBN: 978-0-9824438-2-8 (digital)OAI: oai:DiVA.org:his-5687DiVA, id: diva2:514042
Konferens
14th International Conference on Information Fusion, Fusion 2011;Chicago, IL;5 July 2011–8 July 2011
Tillgänglig från: 2012-04-04 Skapad: 2012-04-04 Senast uppdaterad: 2020-04-30Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Scopushttp://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5977571

Person

Laxhammar, RikardFalkman, Göran

Sök vidare i DiVA

Av författaren/redaktören
Laxhammar, RikardFalkman, Göran
Av organisationen
Institutionen för kommunikation och informationForskningscentrum för Informationsteknologi
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

isbn
urn-nbn

Altmetricpoäng

isbn
urn-nbn
Totalt: 253 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf