Máme velkou radost: doktorand naší fakulty Martin Haváček se svým týmem uspěl s rozsáhlou přehledovou studií v časopise Artificial Intelligence Review (Springer). Ten patří k absolutní světové špičce oboru: jeho pětiletý impakt faktor činí 19,1, řadí se do prvního kvartilu (Q1) i prvního decilu své kategorie a dosahuje Article Influence Score 3,56. Jde o nejvýše hodnocený časopis, ve kterém kdy vyšla publikace spojená s naší fakultou (z hlediska metrik ke dni zveřejnění článku).
Studie s názvem Deep Learning for Security-Relevant Event Detection in Visual Data mapuje, jak dnes umělá inteligence dokáže rozpoznávat bezpečnostně relevantní situace v kamerových záznamech — a kde jsou hranice, na kterých musí výzkum dál pracovat.
Když se potká bezpečnostní inženýrství s umělou inteligencí
Práce vznikla na průsečíku dvou fakult naší univerzity: Fakulty bezpečnosntího inženýrství a Fakulty elektrotechniky a informatiky. Bezpečnostní inženýrství přináší otázku, jak spolehlivě rozpoznat rizikové situace v CCTV záznamech; umělá inteligence a počítačové vidění nabízejí nástroje, jak to dělat automaticky a v reálném čase. Právě tahle mezioborová kombinace je podle autorů důvodem, proč studie obstála v časopise, kde publikují přední světová AI pracoviště.
Studie kriticky prochází současný stav poznání napříč klíčovými bezpečnostními úlohami od detekce zbraní, násilí a anomálního chování přes monitorování perimetru až po dohled z dronů. Zaměřuje se na to, co v praxi rozhoduje o použitelnosti systému: moderní architektury hlubokého učení, realistický sběr a anotaci dat (a boj s jejich zkreslením), robustnost v nekontrolovaných podmínkách, minimalizaci falešných poplachů, zranitelnost samotných AI modelů vůči adversariálním útokům a etické otázky ochrany soukromí.
Nejde jen o to, jestli systém hrozbu pozná — ale jak rychle
Většina dosavadního výzkumu hodnotí detekční systémy podle přesnosti: kolik procent zbraní, rvaček nebo anomálií model správně rozpozná. V reálném bezpečnostním provozu ale často rozhoduje jiná veličina — čas do detekce. Systém, který událost zachytí o několik sekund dříve, dává obsluze i zasahujícím složkám zásadní náskok; sebepřesnější model je naopak k ničemu, pokud varování přijde pozdě.
Právě sem míří původní přínos studie: rámec Time-to-Detection (TTD). Ten rozkládá celý řetězec od okamžiku, kdy událost nastane, po okamžik vyhlášení poplachu na jednotlivé měřitelné složky a nabízí jednotný způsob, jak různé přístupy porovnávat právě z hlediska rychlosti. Autoři přitom narazili na překvapivé zjištění: napříč analyzovanou literaturou čas do detekce takto systematicky nikdo nesledoval — pozornost se soustředila téměř výhradně na přesnost. TTD je proto koncepčním rámcem a výzvou pro budoucí výzkum: nabízí slovník a metriku, kterými by se rychlost detekce dala poctivě měřit a srovnávat.
Zrodilo se to na stáži v Lotyšsku
Podstatná část práce vznikla během Martinovy doktorandské stáže na Turiba University v Lotyšsku, jejímž cílem bylo připravit společnou publikaci obou univerzit. To se povedlo a výsledná studie je společným dílem českého a lotyšského pracoviště a pěknou ukázkou toho, co může doktorandská mobilita přinést.
Na článku se vedle Martina Haváčka jako hlavního autora podíleli Marek Hutter, Karlis Apalups, Radomír Ščurek a Jan Kubíček, kteří do práce vnesli expertizu v hlubokém učení, metodice přehledových studií i bezpečnostní doméně.
Poděkování
Výzkum vznikl s podporou projektu LERCO – Life Environment Research Center Ostrava (reg. č. CZ.10.03.01/00/22_003/0000003), financovaného z Operačního programu Spravedlivá transformace. Autoři děkují za poskytnuté zázemí a podporu.
Citace článku: Havacek, M., Hutter, M., Apalups, K. et al. Deep learning for security-relevant event detection in visual data: a structured narrative review of the state of the art and future challenges. Artif Intell Rev (2026). https://doi.org/10.1007/s10462-026-11653-z