Этапы формирования толпы
⇐ Предыдущая123Следующая ⇒
08.10.12
Феномен толпы стал активно исследовать в конце 19 начале 20 века Лебоном, Фрейдом, Тардом, Михайловским.
Михайловский: «Толпа – это скопище, сборище, сходбище».
Даль: «Это масса способная увлекаться примером. Пример может быть позитивный и негативный».
Владимир даль: «Иногда толпа – это орда, иногда так говорят о скоте».
Борис Поршнев: «Толпа – совершенно случайное скопление людей, между ними может не быть никаких внутренних связей. Это общность, охваченная одинаково негативной или позитивной эмоцией».
Краткий психологический словарь: «Толпа – это бесструктурное скопление людей, лишенных ясно осознаваемой общности целей, но связанных друг с другом эмоционально».
Исходя из этих характеристик можно выделить следующие черты толпы:
1. Толпа – это всегда наличие определенной общности
2.
Связь между людьми в толпе временная, второстепенная
3. Толпа разнородна по составу
4. Толпа легка на подъем, ее отличает динамизм
5. Не бывает толпы без героя. Герой – это человек просто первый взломавший лед. Он может агитировать массы на хорошее и дурное, благороднейшее и подлейше. И не сам по себе герой важен, а важно то, что за ним следуют массы, увлекаясь его примером.
6. Преобладающим фактором в толпе являются эмоции
7. Толпу делает толпой количество объединенных людей
8. В толпе преобладает автоматизм действия заражаемость
9. Толпа всегда тяготеет к подчинению, к сильной руке, поэтому ее часто используют для установления жесткой власти, диктатуры
10. Личность и толпа противоречат друг другу. Толпа – это не сумма положительных качеств в личности, это скорее всего остаток из вычитания положительных свойств каждого. Поэтому моральный уровень толпы ниже морального уровня отдельно взятого участника.
Типологии толп:
1. Топография (расположение толпы на местности):
1) Ядро – перифирия
2) Растянутая толпа, манифестационного типа.
П
3) Толпа, как разрозненно действующие группы людей (например, октябрьский переворот).
2. Степень организованности:
1) Стихийная (окказиональная) – сборище людей неожиданно собравшихся для них самих. Например, толпа вокруг автоаварии.
2) Договорная (конвенциональная).
3. Характеру поведения:
1) Статистическая, экстатическая (стоящая на месте). Например, массовый молебен, массовый суицид, как некое религиозное действие.
2) Динамическая (действующая толпа). По своему эмоциональному настрою могут быть:
· Агрессивными
· Стяжательными. Главная эмоция жадность, желание обладать вещью
· Повстанческая.
Главная эмоция – желание достичь справедливости. Революционные толпы.
· Паническая. Предполагает, что личность прежде всего боится за свою жизнь (в отличие от предыдущих). Пример – стихийные бедствия.
1 этап. Происходит событие (взволновало).
2 этап. Возникает интерес к этому событию, обмен мнениями.
3 этап. В результате обмена мнениями возникает коллективный образ случившегося.
4 этап. Возникает готовность к действию (в результате эмоционального сопереживания).
Между 2 и 3 этапом толпой еще можно управлять, на 4 – уже нельзя.
Чтобы управлять толпой можно:
1. Направлять действия на ядро2. Направлять действия на периферию.
3. Образование внутри периферии небольших групп распространяющих слухи и отвлекающих внимание от ядра.
4. Превращение толпы действующей в стяжательную.
5. Если толпа – это эмоциональное образование, следовательно, нужно эмоционально действовать на периферию.
тема: Политическое лидерство
1. Понятие и содержание политического лидерства
2. Основные теории происхождения лидерства
3. Имидж политического лидера
⇐ Предыдущая123Следующая ⇒ |
Дата добавления: 2014-01-04; Просмотров: 3683; Нарушение авторских прав?; Мы поможем в написании вашей работы!
Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет
1.Понятие толпы. Механизм её формирования и состав.
Из
учебного пособия по социальной психологии
Р.И. Мокшанцева и А.В. Мокшанцевой
(Москва-Новосибирск, 2001г.), мы можем
отметить, что социальная жизнь людей
отливает много самых различных форм.
Некоторые из них обыденны и привычны.
Но есть и такие, в которых проявление
воли, желаний и нужд отдельного человека
оказываются серьёзно ограниченными
прямым или опосредованным влиянием
других людей.
Люди и отдельный человек, даже не испытывая на себе психическое давление со стороны других, а только воспринимая давление этих других, заражаются их поведением, подчиняются и следуют ему. Разумеется, возможно, и неподчинение, но индивид, как правило, рационально объясняет его самому себе. Без этого разъяснения «неподчинение» неизбежно вызывает внутреннее беспокойство у индивида.
Представление о толпе обычно рождается из личного опыта людей. Практически каждый либо бывал в толпе, либо видел её поведение со стороны. Иногда, поддавшись простому человеческому любопытству, люди присоединяются к группе, рассматривающей или обсуждающей какое-то событие. Возрастая количественно, заряжаясь общим настроением и интересом, люди постепенно превращаются в неорганизованное скопление или в толпу.
Толпа
– бесструктурное скопление, лишённых
ясно осознаваемой цели, но взаимно
связанных сходством эмоционального
состояния и общим объектом внимания.
Термин «Толпа» вошёл в социальную психологию в период мощного революционного подъёма масс в XIX. – начале XX. в.в. Под толпой психологи в то время понимали главным образом слабо организованные выступления трудящихся против эксплуататоров.
Весьма образное определение толпы дал Г. Лебон: «Толпа похожа на листья, поднимаемые ураганом и разносимые в разные стороны, а затем падающие на землю».
При объединении индивидов в группы, которые негодуют по определённому поводу, резко возрастает вероятность проявления стихийного поведения. Последнее может быть направлено на выражение испытываемых людьми чувств, либо на изменение ситуации через действие. Очень часто субъектом такого стихийного поведения оказывается толпа.
Толпой можно обозначить такие формы поведения как:
публика, под которой понимается большая группа людей, возникающая на основе общих интересов, часто без какой-либо организации, но обязательно при ситуации, которая затрагивает общие интересы и допускает рациональное обсуждение;
контактная, внешне не организованная общность, действующая крайне эмоционально и единодушно;
совокупность индивидов, составляющих многочисленную аморфную группу и не имеющих в своём большинстве прямых контактов между собой, но связанных каким-либо общим более или менее постоянным интересом.
Таковыми оказываются массовые увлечения,
массовая истерия, массовые миграции,
массовый патриотический лже-патриотический
угар.
Таковыми оказываются массовые увлечения,
массовая истерия, массовые миграции,
массовый патриотический лже-патриотический
угар.В толпе, как правило, большую роль играют неосознанные процессы. На основе эмоционального возбуждения возникают стихийные действия в связи с какими-либо впечатляющими событиями, затрагивающие главные ценности людей, например, в ходе их борьбы за свои интересы и права.
Основные механизмы формирования толпы и развития её специфических качеств – циркулярная реакция, т.е. нарастающее взаимонаправленное эмоциональное «заряжение», а так же слухи.
Определены даже основные этапы формирования толпы.
Теории поведения толпы — Изучающие социологию
Существует множество теорий поведения толпы, однако мы обсудим три наиболее известные из них: теорию заражения, теорию эмигрантской нормы и теорию конвергенции. Толпа распространена в каждом обществе, вы можете увидеть толпу на стадионах, в парках развлечений, торговых центрах, на вокзалах и автобусных станциях.
Толпа может быть определена как большое количество людей, собравшихся в одном месте с общей целью. Поведение толпы – это поведение индивидуумов в толпе.
Теория заражения
Французский социальный психолог Гюстав Ле Бон считается отцом «социальной психологии»; который изучает поведение человека в толпе. Он написал книгу в 1895 году; «Толпа», в которой он объяснил теорию заражения. Согласно Лебону, индивидуальное поведение в толпе является результатом влияния толпы. Более того, он говорит, что в толпе человек не мыслит рационально, он забывает о своей личности и личных обязанностях. Люди в толпе думают, что их нельзя узнать, это чувство анонимности заставляет их действовать иррационально, эмоционально и принимать иррациональные решения. Люди не могут принимать рациональные решения или рационально мыслить в толпе, они захвачены безумием толпы. В толпе никого не волнует, что делает или думает другой человек? Таким образом, личные убеждения человека вытесняются коллективными убеждениями.
Теория конвергенции
Согласно теории заражения, толпа влияет на поведение человека в толпе. Однако теория конвергенции утверждает, что люди намеренно собираются в одном месте, потому что у них общие цели и мотивы. Иными словами, поведение толпы носит не спонтанный, а планомерный характер, направленный на достижение определенных целей и задач. Индивид может твердо верить в причину, но не предпринимать никаких действий, потому что он думает, что одно его действие не имело бы никакого значения. В толпе люди действуют решительно, потому что верят, что сила в количестве. Когда люди собираются вокруг по одной и той же причине или ожидают перемен, они верят, что цель достижима.
Теория возникающих норм
Социологи Р. Х. Тернера и Льюиса М. Киллиана 20-го века объясняют поведение толпы с помощью теории возникающих норм. Теория гласит, что поведение людей в толпе регулируется нормами. Эти нормы формируются членами толпы. Нормы формируются не до формирования толпы, а во время ее формирования. Более того, когда люди собираются в одном месте и начинают взаимодействовать друг с другом, это приводит к формированию массовых норм. Тернер говорит, что мотивы и действия членов толпы отличаются друг от друга. Некоторые члены толпы импульсивны, а некоторые пассивны. Нормы толпы вырабатываются с течением времени, когда члены группы взаимодействуют друг с другом и действиями немногих активистов в толпе. Эти нормы являются руководящим принципом, если в толпе царит неразбериха. Независимо от того, является ли толпа жестокой или мирной, есть активисты, которые направляют участников, когда аплодировать, бросать камни или кричать.
Но не обязательно, чтобы каждый член делал то, что им говорят активисты.
Повторный анализ поведения толпы с помощью глубокого обучения: таксономия, обнаружение аномалий, эмоции толпы, наборы данных, возможности и перспективы
1. Шрину Г., Дурай М.С. Интеллектуальное видеонаблюдение: обзор методов глубокого обучения для анализа толпы. Дж. Большие данные. 2019;6(1):48. [Google Scholar]
2. Олмос Р., Табик С., Эррера Ф. Автоматическая сигнализация обнаружения пистолета в видеороликах с использованием глубокого обучения. Нейрокомпьютинг. 2018; 275:66–72. [Google Scholar]
3. Башбаги С., Грейнджер Э., Сабурин Р., Парчами М. Глубокое обучение в обнаружении и распознавании объектов. Спрингер; 2019. Архитектуры глубокого обучения для распознавания лиц в видеонаблюдении; стр. 133–154. [Google Scholar]
4. Х. Свати, Г. Шивакумар, Х. Мохана, Анализ поведения толпы: обзор, в: Международная конференция по последним достижениям в области электроники и коммуникационных технологий (ICRAECT), 2017 г.
, стр. 169–178. .
5. Goodfellow I., Bengio Y., Courville A. MIT Press; 2016. Глубокое обучение. [Google Scholar]
6. М. Сабокру, М. Фати, М. Хосейни, Р. Клетт, Обнаружение и локализация аномалий в реальном времени в многолюдных сценах, в: Конференция IEEE по семинарам по компьютерному зрению и распознаванию образов, 2015, стр. 56–62.
7. Р. Хинами, Т. Мэй, С. Сато, Совместное обнаружение и учет аномальных событий путем изучения глубоких общих знаний, в: Труды Международной конференции IEEE по компьютерному зрению, 2017 г., стр. 3619–3627.
8. Сингх К., Раджора С., Вишвакарма Д.К., Трипати Г., Кумар С., Валия Г.С. Обнаружение аномалий скопления людей с помощью агрегации ансамблей точно настроенных консетей. Нейрокомпьютинг. 2020; 371: 188–198. [Google Scholar]
9. Хунг Х., Гатика-Перес Д. Оценка сплоченности в малых группах с использованием аудиовизуального невербального поведения. IEEE транс. Мультимед. 2010;12(6):563–575. [Академия Google]
10.
О.А.И. Рамирес, Г. Варни, М. Андрис, М. Четуани, Р. Чатила, Моделирование динамики индивидуального поведения для обнаружения групп в толпе с использованием низкоуровневых функций, в: 25-й Международный симпозиум IEEE по интерактивному общению роботов и людей (RO), 2016 г. -MAN), 2016. С. 1104–1111.
11. Л. Баззани, М. Кристани, В. Мурино, Децентрализованный фильтр частиц для совместного индивидуально-группового отслеживания, в: Конференция IEEE 2012 г. по компьютерному зрению и распознаванию образов, 2012 г., стр. 1886–189.3.
12. Хельмут Б. 1995. Атлас психологии. Librairie Générale Française–1995. Словарь социологии. [Google Scholar]
13. Муссаид М., Гарнье С., Тераулаз Г., Хелбинг Д. Коллективная обработка информации и формирование паттернов в роях, стаях и толпах. Вершина. Познан. науч. 2009;1(3):469–497. [PubMed] [Google Scholar]
14. Зитуни М.С., Бхаскар Х., Диас Дж., Аль-Муалла М.Е. Достижения и тенденции в визуальном анализе толпы: систематический обзор и оценка методов моделирования толпы.
Нейрокомпьютинг. 2016;186:139–159. [Google Scholar]
15. Б. Чжоу, X. Тан, X. Ван, Измерение коллективности толпы, в: Конференция IEEE по компьютерному зрению и распознаванию образов, 2013 г., стр. 3049–3056.
16. Zhang X., Zhang X., Wang Y., Yu H. Среднее смещение на основе расширенной модели социальной силы для отслеживания пешеходов при обходе препятствий. ИЭТ вычисл. Вис. 2016;11(1):1–9. [Google Scholar]
17. Ю. Конг, Дж. Юань, Дж. Лю, Стоимость разреженной реконструкции для обнаружения аномальных событий, в: CVPR 2011, стр. 3449–3456.
18. Г. Сюн, С. Ву, Ю.-л. Чен, Ю. Оу, Обнаружение аномального поведения толпы на основе энергетической модели, в: Международная конференция IEEE по информации и автоматизации, 2011 г., стр. 495–500.
19. Нгуен Д.Т., Ли В., Огунбона П.О. Обнаружение человека на изображениях и видео: опрос. Распознавание образов. 2016; 51: 148–175. [Google Scholar]
20. К. Гарате, П. Билински, Ф. Бремон, Распознавание событий толпы с помощью hog tracker, в: Двенадцатый международный семинар IEEE по оценке эффективности отслеживания и наблюдения, 2009 г.
, стр. 1–6.
21. Чапарроне Г., Санчес Ф.Л., Табик С., Трояно Л., Тальяферри Р., Эррера Ф. Глубокое обучение в отслеживании нескольких объектов на видео: обзор. Нейрокомпьютинг. 2020; 381: 61–88. [Google Scholar]
22. Zhang X., Zhang Q., Hu S., Guo C., Yu H. Обнаружение аномального поведения толпы на основе уровня энергии. Датчики. 2018;18(2):423. [Бесплатная статья PMC] [PubMed] [Google Scholar]
23. Musse S.R., Jung C.R., Jacques Jr J.C., Braun A. Использование компьютерного зрения для имитации движения виртуальных агентов. вычисл. Аним. Вирт. Миры. 2007;18(2):83–9.3. [Google Scholar]
24. Zhang C., Kang K., Li H., Wang X., Xie R., Yang X. Понимание толпы на основе данных: основа для крупномасштабного набора данных о толпе. IEEE транс. Мультимед. 2016;18(6):1048–1061. [Google Scholar]
25. Форсайт Д.Р. Cengage обучения; 2018. Групповая динамика. [Google Scholar]
26. Рассел Дж.А. Циркулярная модель аффекта. Дж. Личное. соц. Психол. 1980;39(6):1161.
[Google Scholar]
27. Уризар О.Дж., Баракова Е.И., Марченаро Л., Регаццони К.С., Раутерберг М. Оценка эмоций в толпе: опрос. Международная конференция систем распознавания образов. 2017 [Академия Google]
28. Дахолл А., Гёке Р., Гедеон Т. Автоматический анализ интенсивности группового счастья. IEEE транс. Оказывать воздействие. вычисл. 2015;6(1):13–26. [Google Scholar]
29. Чжан Г., Лу Д., Лю Х. Стратегии оптимального использования положительного эмоционального заражения при эвакуации толпы. IEEE транс. Оказывать воздействие. вычисл. 2018 [Google Scholar]
30. В. Махадеван, В. Ли, В. Бхалодия, Н. Васконселос, Обнаружение аномалий в многолюдных сценах, в: 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010, стр. 19.75–1981.
31. И. Хьюпонт, Э. Сересо, С. Балдассарри, Восприятие лицевых эмоций в непрерывном двухмерном аффективном пространстве, в: 2010 IEEE International Conference on Systems, Man and Cybernetics, 2010, стр.
2045–2051.
32. Салам Х., Челиктутан О., Хупонт И., Гунес Х., Четуани М. Полностью автоматический анализ взаимодействия и его отношения к личности при взаимодействии человека и робота. IEEE-доступ. 2016;5:705–721. [Google Scholar]
33. Афик А., Закария М., Саад М., Нурфарзана А., Хир М.Х.М., Фадзил А., Джале А., Гунаван В., Изуддин З., Файзари М. Обзор классификации ненормальное поведение в массовке. Дж. Вис. коммун. Изображение Представлять. 2019;58:285–303. [Google Scholar]
34. C. Lu, J. Shi, J. Jia, Обнаружение аномальных событий со скоростью 150 кадров в секунду в Matlab, в: Международная конференция IEEE по компьютерному зрению, 2013 г., стр. 2720–2727.
35. Эверингем М., Ван Гул Л., Уильямс С.К., Винн Дж., Зиссерман А. Задача классов визуальных объектов Паскаля (voc). Междунар. Дж. Вычисл. Вис. 2010;88(2):303–338. [Google Scholar]
36. Р. Мехран, А. Ояма, М. Шах, Обнаружение аномального поведения толпы с использованием модели социальной силы, в: Конференция IEEE 2009 г.
по компьютерному зрению и распознаванию образов, 2009 г., стр. 935–942.
37. В. Лю, В. Луо, Д. Лиан, С. Гао, Предсказание будущего кадра для обнаружения аномалий — новая основа, в: Конференция IEEE по компьютерному зрению и распознаванию образов, 2018 г., стр. 6536–6545.
38. Блунсден С., Фишер Р. Набор видеоданных BEHAVE: достоверное видео для классификации поведения нескольких человек. Анна. БМВА. 2010;4(1–12):4. [Google Scholar]
39. Веластин С.А., Гомес-Лира Д.А. Международная конференция по визуальной информатике. Спрингер; 2017. Обнаружение людей и классификация поз внутри движущегося поезда с помощью компьютерного зрения; стр. 319–330. [Google Scholar]
40. М.С. Риу, Дж. Аггарвал, набор данных UT-взаимодействия, конкурс ICPR по семантическому описанию человеческой деятельности (SDHA), в: Международная конференция IEEE по семинарам по распознаванию образов, том. 2, 2010, с. 4.
41. В. Султани, К. Чен, М. Шах, Обнаружение аномалий в реальном мире в видео наблюдениях, в: Конференция IEEE по компьютерному зрению и распознаванию образов, 2018 г.
, стр. 6479–6488.
42. Ниевас Э.Б., Суарес О.Д., Гарсия Г.Б., Суктанкар Р. Набор данных для обнаружения боев в фильмах. вычисл. Анальный. Образцы изображений. 2011: 332–339. [Google Scholar]
43. Ниевас Э.Б., Суарес О.Д., Гарсия Г.Б., Суктанкар Р. Набор данных для обнаружения хоккейных боев. вычисл. Анальный. Образцы изображений. 2011: 332–339. [Google Scholar]
44. Schölkopf B., Williamson R.C., Smola A.J., Shawe-Taylor J., Platt J.C. Метод опорных векторов для обнаружения новизны. Доп. Нейронная инф. Процесс. Сист. 2000: 582–588. [Google Scholar]
45. Xu D., Ricci E., Yan Y., Song J., Sebe N. 2015. Изучение глубоких представлений внешнего вида и движения для обнаружения аномальных событий. Препринт arXiv arXiv: 1510.01553. [Академия Google]
46. Винсент П., Ларошель Х., Бенжио Ю., Манзагол П.-А. 25-я Международная конференция по машинному обучению. АКМ; 2008. Извлечение и составление надежных функций с помощью шумоподавляющих автоэнкодеров; стр.
1096–1103. [Google Scholar]
47. M. Gutoski, N.M.R. Акино, М. Рибейро, Э. Лазаретти, С. Лопес, Обнаружение аномалий видео с использованием сверточных автокодировщиков и одноклассовых машин опорных векторов, в: XIII Бразильский конгресс по вычислительной разведке, 2017.
48. Маски Дж., Мейер У. ., Чирешан Д., Шмидхубер Дж. Многоуровневые сверточные автокодировщики для извлечения иерархических признаков. Международная конференция по искусственным нейронным сетям. 2011: 52–59. [Google Scholar]
49. Ян М., Раджасегарар С., Эрфани С., Леки С. 2019 Международная объединенная конференция по нейронным сетям (IJCNN) 2019. Глубокое обучение и обнаружение аномальной толпы на основе одноклассового SVM; стр. 1–8. [Google Scholar]
50. Б. Лукас, Т. Канаде, Итеративная методика регистрации изображений с приложением к стереозрению, в: 7th International Joint Conference on Artificial Intelligence, 1981, vol. 81.
51. Fang Z., Fei F., Fang Y., Lee C., Xiong N., Shu L.
, Chen S. Обнаружение аномальных событий в многолюдных сценах на основе глубокого обучения. Приложение «Мультимедийные инструменты». 2016;75(22):14617–14639. [Google Scholar]
52. Фан Ю., Линь В., Ли Б.-С., Лау Ч.-Т., Чен З., Линь Ч.-В. Восходящая модель обнаружения заметности, основанная на зрительной чувствительности человека и амплитудном спектре. IEEE транс. Мультимед. 2011;14(1):187–198. [Google Scholar]
53. Конг Ю., Юань Дж., Тан Ю. Поиск видеоаномалий в многолюдных сценах с помощью пространственно-временного контекста движения. IEEE транс. Инф. Судебно-медицинская экспертиза. 2013;8(10):1590–1599. [Google Scholar]
54. Чан Т.-Х., Цзя К., Гао С., Лу Дж., Цзэн З., Ма Ю. PCANet: простая основа глубокого обучения для классификации изображений? IEEE транс. Процесс изображения. 2015;24(12):5017–5032. [PubMed] [Академия Google]
55. Смеряну С., Ионеску Р.Т., Попеску М., Алексе Б. Международная конференция по анализу и обработке изображений. Спрингер; 2017.
Глубокие функции внешнего вида для обнаружения аномального поведения в видео; стр. 779–789. [Google Scholar]
56. Чатфилд К., Симонян К., Ведальди А., Зиссерман А. 2014. Возвращение дьявола в детали: Углубляясь в сверточные сети. Препринт arXiv arXiv: 1405.3531. [Google Scholar]
57. Сунь Дж., Шао Дж., Хе С. Обнаружение аномальных событий для видеонаблюдения с использованием глубокого одноклассового обучения. Приложение «Мультимедийные инструменты». 2019;78(3):3633–3647. [Google Scholar]
58. Хуан С., Хуан Д., Чжоу С. Изучение многомодальных глубоких представлений для обнаружения событий аномалий толпы. Мат. Пробл. англ. 2018;2018 [Google Scholar]
59. R. Girshick, Fast r-cnn, in: Proceedings of the IEEE international Conference on Computer Vision, 2015, pp. 1440–1448.
60. Сабокру М., Фати М., Моайед З., Клетт Р. Быстрое и точное обнаружение и локализация аномального поведения в многолюдных сценах. Мах. Вис. заявл. 2017;28(8):965–985. [Google Scholar]
61.
Сабокру М., Файяз М., Фати М., Клетт Р. Глубокий каскад: каскадные трехмерные глубокие нейронные сети для быстрого обнаружения и локализации аномалий в многолюдных сценах. IEEE транс. Процесс изображения. 2017;26(4):1992–2004. [PubMed] [Google Scholar]
62. Фэн Ю., Юань Ю., Лу С. Изучение моделей глубоких событий для обнаружения аномалий толпы. Нейрокомпьютинг. 2017; 219: 548–556. [Google Scholar]
63. Вироли К., Маклахлан Г.Дж. Модели глубокой гауссовой смеси. Стат. вычисл. 2019;29(1):43–51. [Google Scholar]
64. Рамчандран А., Сангайах А.К. Неконтролируемая система глубокого обучения для обнаружения локальных аномальных событий в многолюдных сценах. Приложение «Мультимедийные инструменты». 2019: 1–21. [Google Scholar]
65. M. Ravanbakhsh, M. Nabi, H. Mousavi, E. Sangineto, N. Sebe, Plug-and-play cnn для анализа движения толпы: приложение для обнаружения аномальных событий, в: IEEE, 2018 г. Зимняя конференция по приложениям компьютерного зрения (WACV), 2018 г.
, стр. 1689–1698.
66. Zhou S., Shen W., Zeng D., Fang M., Wei Y., Zhang Z. Пространственно-временные сверточные нейронные сети для обнаружения и локализации аномалий в многолюдных сценах. Сигнальный процесс., Общ. изображение. 2016; 47: 358–368. [Академия Google]
67. М. Раванбахш, Э. Сангинето, М. Наби, Н. Себе, Обучение состязательных дискриминаторов для межканального обнаружения аномальных событий в толпе, в: Зимняя конференция IEEE 2019 по приложениям компьютерного зрения (WACV), стр. 1896–1904 гг.
68. Гудфеллоу И.Дж., Пуже-Абади Дж., Мирза М., Сюй Б., Вард-Фарли Д., Озаир С., Курвиль А., Бенжио Ю. 2014. Генеративно-состязательные сети. архив: 1406.2661. [Google Scholar]
69. Кумар К., Кумар А., Бахугуна А. D-CAD: обнаружение глубоких и скученных аномалий. Материалы 7-й Международной конференции по компьютерным и коммуникационным технологиям; ИКЦКТ-2017; АКМ; 2017. С. 100–105. [Академия Google]
70. Hu X., Hu S., Huang Y., Zhang H., Wu H. Обнаружение аномалий видео с использованием сети глубокого постепенного анализа медленных признаков.
ИЭТ вычисл. Вис. 2016;10(4):258–265. [Google Scholar]
71. Wiskott L., Sejnowski T.J. Медленный анализ признаков: обучение инвариантности без учителя. Нейронные вычисления. 2002;14(4):715–770. [PubMed] [Google Scholar]
72. Сабокру М., Файяз М., Фати М., Моайед З., Клетт Р. Глубокая аномалия: полностью сверточная нейронная сеть для быстрого обнаружения аномалий в многолюдных сценах. вычисл. Вис. Изображение Понимание. 2018; 172: 88–97. [Google Scholar]
73. Лонг Дж., Шелхамер Э., Даррелл Т. Полностью сверточные сети для семантической сегментации // Материалы конференции IEEE по компьютерному зрению и распознаванию образов, 2015 г., стр. 3431–3440. .
74. Ван Дж., Ся Л. Обнаружение аномального поведения в видео с помощью глубокого обучения. Кластерные вычисления. 2019;22(4):9229–9239. [Google Scholar]
75. Тай Н., Конни Т., Онг Т.С., Го К., Тэ П.С. Надежный метод обнаружения аномального поведения с использованием сверточной нейронной сети: 5th ICCST 2018, Кота-Кинабалу, Малайзия, 29-30 августа 2018 г.
2019. С. 37–47. [Google Scholar]
76. Кечели А., Кая А. Обнаружение насильственных действий методом трансферного обучения. Электрон. лат. 2017;53(15):1047–1048. [Google Scholar]
77. Кононенко И., Шимец Е., Робник-Шиконя М. Преодоление близорукости алгоритмов индуктивного обучения с помощью RELIEFF. заявл. Интел. 1997;7(1):39–55. [Google Scholar]
78. С. Судхакаран, О. Ланц, Обучение обнаружению видео со сценами насилия с использованием сверточной долговременной кратковременной памяти, в: 14-я Международная конференция IEEE по усовершенствованному наблюдению на основе видео и сигналов (AVSS), 2017 г., стр. 1–6.
79. М. Марсден, К. МакГиннесс, С. Литтл, Н.Е. О’Коннор, Resnetcrowd: остаточная архитектура глубокого обучения для подсчета толпы, обнаружения агрессивного поведения и классификации уровней плотности толпы, в: 14-я Международная конференция IEEE по усовершенствованному наблюдению на основе видео и сигналов (AVSS), 2017 г., стр. 1–7.
80. Сун В.
, Чжан Д., Чжао С., Ю Дж., Чжэн Р., Ван А. Новая схема обнаружения насилия на видео, основанная на модифицированных трехмерных сверточных нейронных сетях. IEEE-доступ. 2019;7:39172–39179. [Google Scholar]
81. Фенил Э., Маногаран Г., Вивекананда Г., Танджаивадивел Т., Джива С., Ахилан А. Система обнаружения насилия в реальном времени на футбольном стадионе, включающая анализ больших данных и глубокое обучение с помощью двунаправленного LSTM. . вычисл. сеть 2019;151:191–200. [Google Scholar]
82. Сумон С.А., Шахрия М.Т., Гони М.Р., Хасан Н., Альмаруфуцзаман А., Рахман Р.М. Азиатская конференция по интеллектуальным информационным системам и системам баз данных. Спрингер; 2019. Обнаружение насильственного скопления людей с использованием глубокого обучения; стр. 613–625. [Академия Google]
83. Cheng G., Wang S., Guo T., Han X., Cai G., Gao F., Dong J. 2017 Международная конференция по безопасности, анализу шаблонов и кибернетике (SPAC) 2017. Обнаружение аномального поведения для обеспечения безопасности операторов порта при сложных сценах видеонаблюдения; стр.
324–328. [Google Scholar]
84. McHugh J.E., McDonnell R., O’Sullivan C., Newell F.N. Восприятие эмоций в толпе: роль динамических поз тела в восприятии эмоций в многолюдных сценах. Эксп. Мозг Res. 2010;204(3):361–372. [PubMed] [Академия Google]
85. Фон Шев К., Исмер С. К теории коллективных эмоций. Эмот. 2013;5(4):406–413. [Google Scholar]
86. Picard RW MIT press; 2000. Эмоциональные вычисления. [Google Scholar]
87. Варни Г., Юпонт И., Клавель К., Четуани М. Вычислительное исследование примитивного эмоционального заражения в диадных взаимодействиях. IEEE транс. Оказывать воздействие. вычисл. 2017 [Google Scholar]
88. А.-К. Конно, А. Хайлауи, М. Четуани, С. Эссид, EMОЕEG: новый мультимодальный набор данных для динамического распознавания эмоций на основе ЭЭГ с аудиовизуальным выявлением, в: 25-я Европейская конференция по обработке сигналов (EUSIPCO), 2017 г., стр. 738–742. .
89. Фортино Г., Галзарано С., Гравина Р., Ли В. Платформа для совместных вычислений и объединения данных с нескольких датчиков в сетях датчиков тела.
Инф. Слияние. 2015;22:50–70. [Google Scholar]
90. Hupont I., Chetouani M. Представление лица на основе областей для определения интенсивности действий в наборах данных в реальном времени. Анальный узор. заявл. 2019;22(2):477–489. [Google Scholar]
91. Уддин М.З., Хассан М.М., Альмогрен А., Зуаир М., Фортино Г., Торресен Дж. Система распознавания выражений лица, использующая надежные черты лица из глубинных видео и глубокого обучения. вычисл. электр. англ. 2017;63:114–125. [Академия Google]
92. Ли К., Гравина Р., Фортино Г. Международная конференция IEEE по системам, человеку и кибернетике (SMC), 2018 г. IEEE; 2018. Анализ позы и жестов, поддерживающий распознавание эмоциональной активности; стр. 2742–2747. [Google Scholar]
93. Гравина Р., Ли К. Распознавание активности, связанной с эмоциями, на основе умной подушки с использованием слияния нескольких датчиков. Инф. Слияние. 2019; 48:1–10. [Google Scholar]
94. B. Cheng, Z. Wang, Z. Zhang, Z. Li, D.
Liu, J. Yang, S. Huang, T.S. Хуанг, Надежное распознавание эмоций в видео низкого качества и с низкой скоростью передачи данных: подход к глубокому обучению, в: 7-я Международная конференция по эмоциональным вычислениям и интеллектуальному взаимодействию (ACII), 2017 г., стр. 65–70.
95. Макхью Дж.Э., Макдоннелл Р., О’Салливан С., Ньюэлл Ф.Н. Восприятие эмоций в толпе: роль динамических поз тела в восприятии эмоций в многолюдных сценах. Эксп. Мозг Res. 2010;204(3):361–372. [PubMed] [Google Scholar]
96. Huis in ‘t Veld E.M., de Gelder B. От личного страха к массовой панике: неврологическая основа восприятия толпы. Карта человеческого мозга. 2015;36(6):2338–2351. [Бесплатная статья PMC] [PubMed] [Google Scholar]
97. Young A.W., Rowland D., Calder A.J., Etcoff N.L., Seth A., Perrett D.I. Мегамикс выражения лица: тесты размерных и категорийных счетов распознавания эмоций. Познание. 1997;63(3):271–313. [PubMed] [Google Scholar]
98. Экман П. ИШК; 2006. Дарвин и выражение лица: обзор века исследований.
[Google Scholar]
99. С. Гош, А. Дхолл, Н. Себе, Автоматический групповой анализ влияния на изображения с помощью визуальных атрибутов и функциональных сетей, в: 25-я Международная конференция IEEE по обработке изображений (ICIP), 2018 г., стр. 1967–1971 гг.
100. В. Моу, О. Селиктутан, Х. Гунес, Возбуждение и распознавание валентности на уровне группы в статических изображениях: лицо, тело и контекст, в: 11-я Международная конференция и семинары IEEE по автоматическому распознаванию лиц и жестов, 2015 г., том . 5, стр. 1–6.
101. А. Дхолл, Р. Гёке, Дж. Джоши, Дж. Хоуи, Т. Гедеон, Эмотив, 2016 г.: Проблемы распознавания эмоций на видео и групповом уровне, в: 18-я Международная конференция ACM по мультимодальному взаимодействию, 2016 г., стр. 427–432.
102. Дж. Ли, С. Рой, Дж. Фенг, Т. Сим, Прогнозирование уровня счастья с последовательными входными данными с помощью множественной регрессии, в: 18-я Международная конференция ACM по мультимодальному взаимодействию, 2016 г.
, стр. 487–493.
103. В. Воникакис, Ю. Язычи, В.Д. Нгуен, С. Винклер, Оценка группового счастья с использованием геометрических признаков и балансировки наборов данных, в: 18-я Международная конференция ACM по мультимодальному взаимодействию, 2016 г., стр. 479.–486.
104. B. Sun, Q. Wei, L. Li, Q. Xu, J. He, L. Yu, LSTM для распознавания динамических эмоций и групповых эмоций в дикой природе, в: 18-я Международная конференция ACM по мультимодальному взаимодействию, 2016 г. , 2016. С. 451–457.
105. Хуан С., Дхолл А., Гёке Р., Пиетикайнен М., Чжао Г. 2018. Подход на основе ядра глобального выравнивания для оценки интенсивности счастья на групповом уровне. Препринт arXiv arXiv: 1809.03313. [Google Scholar]
106. А. Черекович, Глубокий взгляд на предсказание группового счастья по изображениям, в: 18-я Международная конференция ACM по мультимодальному взаимодействию, 2016 г., стр. 437–444.
107. X. Guo, B. Zhu, L.F. Polanía, C. Boncelet, K.E. Барнер, Распознавание эмоций на уровне группы с использованием гибридных глубоких моделей, основанных на лицах, сценах, скелетах и визуальном внимании, в: 20-я Международная конференция ACM по мультимодальному взаимодействию, 2018 г.