Video Anomaly Detection: A Comprehensive Survey of Deep Learning Approaches
| dc.contributor.author | Prof. Ahmed E. Azab | |
| dc.contributor.author | Dr. Mohamed Azzam | |
| dc.contributor.author | Dr. Mohamed A. Berbar | |
| dc.contributor.author | Prof. Nawal A. El-Fishawy | |
| dc.contributor.author | Dr. Mohamed A. El-Rashidy | |
| dc.date.accessioned | 2026-05-20T14:00:21Z | |
| dc.date.issued | 2025-11-06 | |
| dc.description.abstract | يُعدّ اكتشاف الشذوذ في الفيديو (Video Anomaly Detection - VAD) عنصرًا محوريًا في أنظمة المراقبة الذكية، حيث يهدف إلى تحديد الأحداث غير الطبيعية التي تنحرف عن الأنماط المعتادة في البيئات الواقعية. ومع الانتشار الواسع لتقنيات التعلّم العميق، تم تحقيق تقدم ملحوظ باستخدام أساليب التعلّم غير الخاضع للإشراف والتعلّم شبه المُراقَب، والتي تعالج مشكلة ندرة البيانات المعلّمة الخاصة بالشذوذ. تقدّم هذه المراجعة عرضًا شاملًا لأحدث التطورات في مجال اكتشاف الشذوذ في الفيديو، حيث يتم تصنيف الأساليب وفقًا لمنهجيتي إعادة البناء (Reconstruction) والتنبؤ (Prediction)، مع تسليط الضوء على الابتكارات الرئيسية في النماذج التوليدية مثل المُرمِّزات التلقائية (Autoencoders)، والمُرمِّزات التلقائية التباينية (Variational Autoencoders - VAEs)، والشبكات التوليدية التنافسية (GANs). وعلاوة على ذلك، تستعرض الدراسة تقنيات التعلم المكاني-الزماني المتقدمة، وآليات الانتباه (Attention Mechanisms)، والمعماريات متعددة المسارات (Multi-stream Architectures)، والتي تسهم في التقاط العلاقات المكانية المعقدة والاعتمادات الزمنية في البيانات. كما تتضمن المراجعة تحليلًا مفصلًا لمجموعات البيانات المعيارية ومقاييس التقييم، يتبعه تحليل مقارن لأحدث الأساليب عبر سيناريوهات مختلفة. وفي الختام، تناقش الدراسة التحديات المفتوحة، مثل المعالجة في الزمن الحقيقي، والتعميم عبر المجالات المختلفة (Cross-domain Generalization)، وقابلية التفسير (Interpretability)، إلى جانب استشراف الاتجاهات البحثية المستقبلية لدعم التقدم المستمر في هذا المجال سريع التطور. | |
| dc.identifier.uri | https://research.arabeast.edu.sa/handle/123456789/1115 | |
| dc.language.iso | en | |
| dc.publisher | 4th IEEE International Conference on Electronic Engineering | |
| dc.title | Video Anomaly Detection: A Comprehensive Survey of Deep Learning Approaches | |
| dc.type | Article |