Revisión Sistemática de Arquitecturas CNN para la detección automatizada de conductas sospechosas en espacios públicos

• Autores: Vega Sandoval, Aaron David, Zurita Chunga, Fabiana Arleth
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17098
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17098
• Nivel de acceso: acceso abierto
• Materia: Videovigilancia inteligente; Redes neuronales convolucionales; Detección de anomalías; Reconocimiento de acciones; Espacios públicos; https://purl.org/pe-repo/ocde/ford#2.02.04

La seguridad en espacios públicos enfrenta un incremento de incidentes que exige sistemas de videovigilancia más eficaces que la supervisión humana. En este contexto, el estudio tiene como objetivo sintetizar y analizar el estado del arte sobre el uso de redes neuronales convolucionales para la detección automatizada de conductas sospechosas, identificando arquitecturas predominantes, tendencias, países líderes y principales desafíos técnicos. Se realizó una revisión sistemática basada en PRISMA 2020, mediante búsquedas en Scopus y Web of Science, considerando publicaciones entre 2018 y 2025. Tras un proceso de unificación, depuración de duplicados, cribado y evaluación de elegibilidad, se conformó un corpus final de 276 estudios para el análisis. Los resultados evidencian el predominio de arquitecturas profundas y enfoques espaciotemporales (incluyendo variantes tipo YOLO, ResNet y modelos híbridos), así como una creciente orientación hacia soluciones en tiempo real. Persisten limitaciones recurrentes asociadas a variabilidad de iluminación, oclusiones, baja resolución, disponibilidad de datasets representativos y heterogeneidad de métricas, lo que dificulta la comparación directa entre propuestas y la generalización a escenarios reales. Se concluye que, aunque las redes neuronales convolucionales constituyen una base sólida para la vigilancia inteligente, el avance del campo requiere estandarización de evaluación, datos más realistas y enfoques robustos que integren desempeño técnico y consideraciones éticas.