Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Revisión
Detección de armas de fuego en videovigilancia mediante
aprendizaje profundo: revisión de literatura
Firearm detection in video surveillance using deep learning: a literature review
Cristhian
Briones
-
Montalvo
1
*
,
José Steven
Cordero
-
Bazurto
2
,
Orlando
Erazo
3
,
Valeria
Torres
-
Lindao
4
y
José Luis
Toapanta
5
1
Universidad Técnica Estatal de Quevedo, Facultad de Ciencias de la Computación,
Quevedo, Ecuador;
https://orcid.org/0009
-
0003
-
2642
-
2527
2
Universidad Técnica Estatal de Quevedo, Facultad de
Ciencias de la Computación,
Quevedo, Ecuador;
https://orcid.org/0009
-
0001
-
2961
-
6736
,
jcorderob@uteq.edu.ec
3
Universidad
Técnica Estatal de Quevedo, Facultad de Ciencias de la Computación,
Quevedo, Ecuador;
https://orcid.org/0000
-
0001
-
5642
-
9920
,
oerazo@uteq.edu.ec
4
Universidad
Técnica Estatal de Quevedo, Unidad de Admisión y Nivelación, Quevedo,
Ecuador;
https://orcid.org/0000
-
0001
-
8778
-
2794
,
vtorresl@uteq.edu.ec
5
Universidad Técn
ica Estatal de Quevedo, Facultad de Ciencias de la Computación,
Quevedo, Ecuador;
https://orcid.org/0009
-
0005
-
7120
-
8276
,
jtoapantag2@uteq.edu.ec
*
C
orrespondencia:
cbrionesm2@uteq.edu.ec
https://doi.org/10.70881/mcj/v4/n4/181
Resumen:
Los sistemas de videovigilancia dependen de observadores humanos
con capacidad de atención limitada, lo que impide convertir la cobertura visual en
una alerta oportuna ante un arma de fuego. El objetivo de este trabajo fue revisar y
organizar la literatur
a sobre la detección de armas de fuego en videovigilancia
mediante aprendizaje profundo, con énfasis en los conjuntos de datos, los modelos,
la evaluación y el despliegue. Se recopilaron artículos publicados entre 2016 y 2026
con resultados experimentales
sobre escenarios de videovigilancia y conjuntos de
datos documentados. Los hallazgos muestran que el problema está condicionado
ante todo por los datos: el tamaño reducido del arma dentro del cuadro constituye
el principal cuello de botella, junto con la o
clusión, la iluminación y los objetos
visualmente próximos al arma. Además, los detectores de dos etapas, los de una
etapa y los esquemas en cascada ofrecen compromisos distintos entre falsos
positivos y velocidad, aunque las cifras publicadas no autorizan
una ordenación
entre arquitecturas, pues proceden de conjuntos propios y métricas heterogéneas.
Se concluye así que estos sistemas identifican la apariencia de un arma y no
determinan una amenaza, por lo que el protocolo de verificación humana posterior
a
la alerta resulta tan relevante como el propio detector.
Palabras clave:
visión por computadora, redes neuronales convolucionales,
detección de objetos, computación en el borde, seguridad
Abstract:
Video surveillance systems rely on human observers with limited
attention capacity, which prevents visual coverage from becoming a timely alert
when a firearm is involved. The aim of this work was to review and organize the
literature on firearm detection
in video surveillance using deep learning, focusing on
datasets, models, evaluation and deployment. Articles published between 2016 and
2026 reporting experimental results on surveillance scenarios with documented
datasets were collected. The findings show
that the problem is constrained above
all by data: the small size a weapon occupies within a frame is the main bottleneck,
together with occlusion, lighting and objects visually similar to a weapon. Two
-
stage
detectors, one
-
stage detectors and cascaded sc
hemes offer different trade
-
offs
Cita:
Briones
-
Montalvo, C.,
Cordero
-
Bazurto, J. S., Erazo, O.,
Torres
-
Lindao, V., & Toapanta, J.
L. (2026). Detección de armas de
fuego en videovigilancia mediante
aprendizaje profundo: revisión de
literatura.
Multidisciplinary
Collaborative Journal
,
4
(4), 1
-
25.
https://doi.org/10.70881/mcj/v4/n
4/181
Recibido:
15
/
08
/20
26
Revisado:
25
/
09
/20
26
Aceptado:
06
/
10
/20
26
Publicado:
12
/
10
/20
26
Copyright: © 2026
por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
be
tween false positives and speed, although published figures do not warrant a
ranking among architectures, since they come from custom datasets and
heterogeneous metrics. It is concluded that these systems identify the app
earance
of a weapon rather than determine a threat, so the human verification protocol
following the alert is as relevant as the detector itself.
Keywords:
computer vision, convolutional neural networks, object detection, edge
computing, security
1. Int
roducción
Los sistemas de videovigilancia basados en circuito cerrado de televisión se han
convertido en un componente habitual de la seguridad en espacios públicos y
privados, con despliegues que abarcan desde comercios y entidades financieras hasta
insti
tuciones educativas y vías urbanas
(Olmos et al., 2018; Santos et al., 2024)
.
Su
operación descansa en un esquema en el que una o varias personas observan de
forma simultánea múltiples transmisiones en busca de eventos anómalos
(Grega et
al., 2016; Jale
el et al., 2022; Zahrawi & Shaalan, 2023)
. Sin embargo, este esquema
suele utilizarse
para la revisión posterior de incidentes y no para la reacción inmediata
(Fernandez
-
Testa & Salcedo, 2024; Yadav et al., 2023)
. De hecho, la capacidad de
atención de
un operador humano es limitada y decae con la duración de la jornada,
de modo que el número de cámaras que puede vigilar de manera efectiva resulta
reducido
(Olmos et al., 2018; Pavithra et al., 2022)
. En consecuencia, el crecimiento
en el número de cáma
ras instaladas no se traduce de forma automática en un
aumento equivalente de la seguridad efectiva.
Esta limitación resulta particularmente crítica cuando la amenaza involucra un arma
de fuego
(Berardini
et al., 2024; Santos et al., 2024)
. En este tipo de incidentes, el
intervalo entre la aparición visible del arma y la consumación del hecho pued
e ser muy
breve
, por lo que el valor de la detección depende de que ocurra dentro de ese
intervalo y no duran
te la revisión posterior del material grabado
(Fernandez
-
Testa &
Salcedo, 2024; Olmos et al., 2018)
. A ello se suma que el arma permanece oculta
durante buena parte de la escena y ocupa una porción muy pequeña del cuadro, lo
que dificulta su identificaci
ón incluso para un observador atento
(Berardini et al., 2024;
Lim et al., 2019; Santos et al., 2024)
. Entonces, el problema no radica en la ausencia
de cobertura visual, sino en la imposibilidad de convertir esa cobertura en una alerta
oportuna. Por lo t
anto, se requiere de algún mecanismo capaz de analizar de forma
continua el flujo de video y de avisar al operador cuando un arma aparezca en la
escena.
Frente a esta necesidad, la visión por computadora basada en aprendizaje profundo
ha sido la vía domina
nte de respuesta durante la última década. A diferencia de los
enfoques clásicos, que dependían de descriptores diseñados manualmente y se
degradaban ante cambios de ángulo, escala o iluminación, las redes neuronales
convolucionales aprenden representacion
es directamente de los datos
(Salido et al.,
2021; Yadav et al., 2023)
. Sobre esa base se han consolidado dos familias de
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
d
etectores, la de dos etapas, representada por Faster R
-
CNN, y la de una etapa,
representada por YOLO y RetinaNet, a las que se suma
n esquemas híbridos
organizados en cascada
(Olmos et al., 2018; Santos et al., 2024; Zahrawi & Shaalan,
2023)
. Los trabajos publicados reportan valores de desempeño elevados, con valores
de mAP superiores
al 90 % y velocidades de decenas de fotogramas po
r segundo
(Ahmed et al., 2022; Bhatti et al., 2021)
, además de despliegues sobre
hardware
restringido, orientados a reducir la latencia y el tráfico de red
(Berardini et al., 2024;
Fathy & Saleh, 2022; Qi et al., 2021)
. En conjunto, estos resultados su
gieren viabilidad
técnica en condiciones controladas, aunque no equivalen por sí solos a una validación
operativa generalizable.
A pesar de tal disponibilidad, el repertorio no se traduce en un panorama claro para
quien debe seleccionar o desplegar una sol
ución. Cada grupo de investigación
construye su propio conjunto de datos, con lo cual las cifras publicadas proceden de
escenas de dificultad distinta y de métricas que no siempre miden lo mismo, de modo
que no facilitan una comparación directa entre arqui
tecturas
(Fernandez
-
Testa &
Salcedo, 2024; Santos et al., 2024)
. A esta fragmentación se añaden limitaciones que
la literatura reporta de forma recurrente, pero dispersa, entre las que están la
detección de objetos de tamaño reducido, la oclusión, las falsas alarmas producidas
por objetos cotidianos y el sesgo hacia a
rmas cortas visibles
(Berardini et al., 2024;
Lim et al., 2019; Rao et al., 2026)
. Aunque existen revisiones previas del campo,
Yadav et al.
(2023)
contrastan los métodos clásicos con los basados en aprendizaje
profundo, mientras que Santos et al.
(202
4)
sistematizan los modelos aplicados a la
detección de armas en imágenes y videos de vigilancia.
En este escenario, la presente revisión
bibliográfica
adopta un enfoque
complementario al organizar la evidencia siguiendo la cadena que se extiende desde
l
a construcción de los conjuntos de datos hasta el despliegue operativo. La falta de
una síntesis articulada desde esta perspectiva dificulta determinar cuáles de las
limitaciones observadas se deben a la arquitectura del detector y cuáles están
relacionada
s con los datos utilizados para su entrenamiento y evaluación. Así, el
objetivo de este trabajo fue revisar la literatura sobre la detección de armas de fuego
en sistemas de videovigilancia mediante aprendizaje profundo, con énfasis en los
conjuntos de dat
os empleados, las familias de modelos aplicadas, los criterios de
evaluación reportados y las condiciones de despliegue documentadas.
La contribución principal radica en organizar evidencia actualmente dispersa dentro
de un marco común que permita separar
los avances consolidados de las limitaciones
persistentes, así como identificar las brechas que orientan el trabajo futuro en este
dominio. La organización de la revisión responde a la secuencia con que se construye
un sistema de detección, de manera que c
ada sección aporta las condiciones que la
siguiente presupone. Se inicia con los conjuntos de datos y los retos que estos
imponen, dado que el material disponible fija el techo de desempeño alcanzable.
Luego se abordan las familias de modelos de aprendizaj
e profundo aplicadas al
problema y, después, los criterios de evaluación y los contextos de implementación
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
e
n los que dichos modelos han sido desplegados. Por último, se examinan las
tendencias y los desafíos abiertos, para dar paso a la discusión y a las
conclusiones
del estudio. La Figura 1 ilustra esta secuencia junto con las ideas principales
identificadas en cada etapa.
Figura 1
Organización de la revisión y aspectos relevantes de cada etapa
2.
Conjuntos de datos y desafíos de la detección de
armas de fuego
La detección automática de armas de fuego en videovigilancia es, ante todo, un
problema condicionado por los datos. Los modelos de aprendizaje profundo aprenden
a partir de ejemplos etiquetados, de modo que la naturaleza de las cámaras, los
escenarios de captura y la calidad del etiquetado determinan en buena medida el
techo de desempeño alcanzable. Un conjunto de datos, en este dominio, es una
colección de imágenes o fotogramas de video en los que la posición del arma se ha
etiquetado manual
mente, habitualmente mediante un rectángulo delimitador o
bounding box
. Estas etiquetas permiten entrenar el detector y, después, medir su
acierto.
La literatura reciente coincide en que el aprendizaje profundo ya permite detectar
armas de fuego en tiempo casi real, pero también en que el rendimiento cae de forma
apreciable en escenas difíciles
(Santos et al., 2024)
. Por ello, esta sección organiza
el
estado del campo desde la perspectiva de los datos: sobre qué material trabajan los
modelos y qué dificultades introduce ese material.
2.1. Sistemas de videovigilancia y escenarios de captura
Un sistema de videovigilancia, comúnmente denominado CCTV, co
nsiste en un
conjunto de cámaras que transmiten video hacia un centro de monitoreo donde uno o
varios operadores humanos observan las escenas en busca de eventos anómalos.
Este esquema, concebido originalmente para la revisión posterior de incidentes,
resu
lta limitado cuando se espera una reacción inmediata. La detección automática
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
d
e armas surge precisamente para reducir la dependencia de esos operadores,
quienes se fatigan y no pueden vigilar de manera continua múltiples cámaras a la vez.
Los escenarios d
e captura reportados en la literatura son heterogéneos y condicionan
el diseño de los modelos. Se encuentran cámaras fijas de interiores, como comercios
y cajeros automáticos, donde la distancia al sujeto es corta y la iluminación es
relativamente estable,
y también cámaras de exteriores y de vía pública, con
profundidad variable y condiciones lumínicas cambiantes. Esta variedad implica que
un mismo detector debe enfrentar armas que ocupan desde una fracción considerable
del cuadro hasta apenas unas decenas
de píxeles
(Berardini et al., 2024; Lim et al.,
2019; Santos et al., 2024)
.
Un aspecto adicional del contexto de captura es el propósito operativo del sistema.
Varios trabajos plantean sus propuestas como alarmas tempranas, orientadas a avisar
de una
amenaza probable, más que como sistemas de reconocimiento forense fino
(Olmos et al., 2018; Rao et al., 2026; Salido et al., 2021). Esta distinción es relevante
porque cambia el criterio de éxito: no se busca clasificar el modelo exacto del arma,
sino disp
arar una alerta útil en un plazo compatible con la respuesta de seguridad.
2.2. Conjuntos de datos públicos y privados
La disponibilidad de conjuntos de datos estandarizados y suficientemente realistas
para vigilancia es uno de los problemas centrales iden
tificados en la literatura
(Bhatti
et al., 2021; Lim et al., 2019; Qi et al., 2021; Salazar González et al., 2023)
. La práctica
dominante en cuanto a datos consiste en que cada grupo de investigación construye
su propia base de datos. Los trabajos revisa
dos reportan la recolección de imágenes
desde internet, la extracción de fotogramas de videos de YouTube, el uso de
grabaciones reales de cámaras CCTV y la combinación de datos reales con datos
sintéticos
(Bhatti et al., 2021; Qi et al., 2021; Santos et al
., 2024)
. Estas colecciones
propias resuelven el problema inmediato del entrenamiento, pero introducen uno
nuevo: cada modelo se evalúa sobre un conjunto distinto.
Una característica poco discutida de estas colecciones propias es la procedencia del
mater
ial fotografiado. Junto a las imágenes recolectadas de internet y a los fotogramas
extraídos de video, una parte apreciable del material se obtiene mediante
escenificaciones controladas, en las que un actor porta el arma ante una cámara
dispuesta para el e
fecto y en las que el objeto empleado es con frecuencia una réplica
y no un arma real
(Grega et al., 2016; Lim et al., 2019)
. A ello se suma la generación
de imágenes sintéticas mediante motores de videojuego, así como el registro de
simulacros instituci
onales de ataque
(Salazar
González et al., 2020)
.
La motivación de estas prácticas es comprensible, dado que resulta inviable obtener
por vías legítimas un volumen suficiente de grabaciones reales de incidentes armados.
En cambio, su consecuencia rara ve
z se explicita, ya que el detector aprende y se
evalúa sobre una representación del arma cuya equivalencia con el caso real se
asume sin verificación. El caso mejor documentado es el de Salazar
-
González y sus
colegas
(Salazar
González et al., 2020)
, quie
nes combinaron grabaciones
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
p
rocedentes de una instalación CCTV real con imágenes sintéticas generadas para el
efecto y analizaron de forma explícita el impacto de ese material sobre el
entrenamiento del detector.
La consecuencia metodológica de esta fragmentación es que los resultados
publicados no son directamente comparables entre sí. Dos detectores pueden reportar
valores de precisión muy próximos y no haber sido medidos sobre escenas de
dificultad muy distinta.
La propia literatura señala que la generalización sigue limitada,
en buena parte, por esta heterogeneidad de los conjuntos de datos
(Fernandez
-
Testa
& Salcedo, 2024; Santos et al., 2024)
.
Debe notarse también un sesgo de alcance en el material disponibl
e. La mayoría de
los trabajos se concentra en pistolas o armas cortas visibles, y no en armas ocultas o
parcialmente encubiertas
(Olmos et al., 2018; Salido et al., 2021)
. Los conjuntos de
datos reflejan esa elección, de modo que el desempeño reportado d
escribe un
subconjunto del problema real de seguridad y no su totalidad.
2.3. Retos asociados a los datos
La Figura 2 ilustra de forma conjunta los retos referentes a los conjuntos de datos de
armas de fuego a partir de fotogramas representativos. El reto
más repetido en la
literatura es el tamaño reducido que ocupa el arma dentro del campo de visión. Una
pistola observada por una cámara de vigilancia puede representar una región muy
pequeña de la imagen, especialmente en CCTV de baja resolución o con profu
ndidad
variable, lo que deja al detector con muy pocos píxeles informativos
(Berardini et al.,
2024; Lim et al., 2019; Santos et al., 2024)
. Este factor se identifica de forma
consistente como el principal cuello de botella del campo
(Bhatti et al., 2021
; Santos
et al., 2024)
. La evidencia más clara de esta limitación procede de González
-
Barbosa
et al.
(2020)
, quienes construyeron un conjunto a partir de una instalación CCTV real
y de imágenes sintéticas. Sus resultados muestran que, pese a los
avances de los
detectores, la detección de armas en CCTV continúa siendo un problema abierto,
atribuible en buena medida a la pérdida de detalle propia de los objetos de tamaño
reducido.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Figura 2
Manifestación visual de los retos asociados a los datos
Nota:
imágenes sintéticas generadas mediante
ChatGPT (modelo DALL·E 3, OpenAI);
no corresponden a
escenas reales ni constituyen datos experimentales.
Al problema en cuestión se suman degradaciones propias del entorno de captura. La
oclusión, los cambios de ángulo, la iluminación pobre, el desenfoque, la compresión y
los fondos complejos deterioran el rendimiento de los detectores en escenas reales
(Abin
s et al., 2024; Bhatti et al., 2021; Corral
-
Sanz et al., 2024; Olmos et al., 2018)
.
Frente a ello, algunos trabajos incorporan etapas de preprocesamiento orientadas a
tratar imágenes borrosas o de baja luminosidad antes de la inferencia
(Goenka &
Sitara,
2022)
.
Un tercer reto proviene de los objetos que se parecen a un arma dentro de la escena.
Teléfonos móviles, carteras y objetos similares sostenidos con la mano generan
detecciones erróneas que se traducen en falsas alarmas. Por esta razón, varias
pro
puestas incluyen deliberadamente objetos de confusión en el conjunto de
entrenamiento, de modo que el modelo aprenda a
distinguirlos
(Bhatti et al., 2021;
Goenka & Sitara, 2022; Salido et al., 2021)
.
Conviene distinguir este último caso del que plantean las armas de imitación. Un
teléfono móvil o una cartera pueden confundirse accidentalmente con un arma por
coincidencias parciales de forma y contexto de sujeción, de modo que su inclusión
como clase ne
gativa constituye una estrategia razonable para reducir falsos positivos
(Bhatti et al., 2021)
. En cambio, una réplica realista ha sido fabricada para reproducir
la apariencia externa de un arma. Por ello, no puede garantizarse su diferenciación
respecto
de un arma real utilizando exclusivamente información visual convencional.
La Tabla 1 sistematiza estos retos junto con su implicación para la formulación de
modelos.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Tabla 1
Retos asociados a los datos en la detección de armas de fuego en videovigilancia
3. Modelos de aprendizaje profundo para la detección de armas
El núcleo técnico del campo está constituido por modelos de detección de objetos
basados en redes neuronales profundas. A diferencia de la clasificación de imágenes,
que únicamente identifica qué elementos están presentes en una escena, la detección
tambié
n debe localizarlos y delimitar su posición. En el caso de las armas de fuego,
los estudios comparativos y experimentales muestran que el aprendizaje profundo
ofrece ventajas frente a los enfoques clásicos en términos de velocidad y rendimiento
(Akshaya et
al., 2023; Salido et al., 2021; Yadav et al., 2023)
. Esta sección examina
la evolución de las principales familias de modelos, en lugar de describir de manera
aislada cada trabajo.
3.1. De los enfoques clásicos al aprendizaje profundo
Los enfoques clási
cos de visión por computadora abordaban la detección mediante
descriptores diseñados a mano; es decir, reglas explícitas sobre bordes, texturas o
formas que un clasificador utilizaba para decidir. Su principal limitación es que esos
descriptores se degrada
n cuando cambian el ángulo, la escala o la iluminación,
Reto
Descripción
Implicación para el modelo
Citas
Objetos pequeños
El arma ocupa muy pocos
píxeles en CCTV de baja
resolución o a distancia
variable.
Principal cuello de botella;
pérdida de rasgos
discriminantes.
(Berardini
et al.,
2024; Lim et al.,
2019; Santos et
al., 2024)
Oclusión y ángulo
El arma aparece parcialmente
cubierta o en poses no
canónicas.
Reduce el
recall
; exige
diversidad de vistas en el
entrenamiento.
(Abins et al., 2024;
Bhatti
et al., 2021;
Olmos et al., 2018)
Iluminación y
desenfoque
Escenas con baja luminosidad,
movimiento o fondos complejos.
Motiva etapas de
preprocesamiento previas a
la inferencia.
(Abins et al., 2024;
Goenka & Sitara,
2022)
Objetos de
confusión
Móviles, carteras y objetos
sostenidos con la mano se
asemejan a un arma.
Fuente principal de falsos
positivos; se mitiga
incluyéndolos como clase.
(Bhatti et al., 2021;
Goenka & Sitara,
2022; Salido et al.,
2021)
Armas de imitación
y material
simulado
Réplicas, armas de aire
comprimido y armas de utilería
resultan visualmente
indistinguibles de un arma real;
parte del material de
entrenamiento procede de
escenificaciones o de imágenes
sintéticas.
Limita la validez ecológica y
la
capacidad de inferir si el
objeto detectado
corresponde a un arma real.
(Grega et al.,
2016; Lim et al.,
2019;
Salazar
González
et al., 2020)
Escasez de
conjuntos de datos
Ausencia de conjuntos
estandarizados y realistas para
vigilancia.
Obliga a
construir bases
propias y limita la
comparabilidad.
(Bh
atti et al.,
2021; Lim et al.,
2019; Qi et al.,
2021)
Diversidad de
escenarios
Interiores, exteriores, distintas
cámaras y distancias.
Compromete la
generalización fuera del
conjunto de datos de
origen.
(Fernandez
-
Testa
& Salcedo, 2024;
Santos et al.,
2024)
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
co
ndiciones que en videovigilancia son la norma. Los estudios comparativos
disponibles muestran que los métodos de aprendizaje profundo superan a estos
enfoques en el problema de la detección de armas
(Salido et al., 2021; Yadav et al.,
2023)
.
El aprendizaje profundo sustituye los descriptores manuales por representaciones
aprendidas directamente de los datos. Las redes neuronales convolucionales extraen
jerarquías de rasgos que van desde bordes simples hasta configuraciones complejas,
y esa jer
arquía es la que alimenta al detector. Sobre esa base común se han
construido las dos grandes familias que dominan el campo, junto con esquemas
híbridos que las combinan
(Santos et al., 2024; Zahrawi & Shaalan, 2023)
. La Figura
3 contrasta el flujo de pr
ocesamiento de cada una de ellas y se ofrecen más detalles
en los apartados posteriores.
Figura 3
Esquema comparativo de las familias de detectores aplicadas a la detección de
armas
3.2. Detectores de dos etapas
Los detectores de dos etapas separan el problema en dos pasos sucesivos. En el
primero, el modelo propone regiones de la imagen que podrían contener un objeto; en
el segundo, clasifica cada una de esas regiones y ajusta su delimitación. Faster R
-
CNN es el
representante más conocido de esta familia y una de las arquitecturas más
utilizadas en la detección de armas, según las revisiones y estudios comparativos del
campo
(Olmos et al., 2018; Santos et al., 2024; Zahrawi & Shaalan, 2023)
.
La ventaja de este esquema es su capacidad para minimizar los falsos positivos, ya
que la segunda etapa actúa como un filtro de verificación sobre las propuestas
iniciales. Olmos et al.
(2018)
reportan que, sobre un conjunto de escenas de prueba,
su sist
ema basado en Faster R
-
CNN activó la alarma en 27 de 30 casos con una
latencia inferior a 0,2 segundos. Estos autores formulan el problema como una alarma
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
te
mprana, de modo que el criterio de éxito no es la exactitud agregada sino la fiabilidad
del aviso,
y ese comportamiento resulta especialmente valioso cuando el coste
operativo de una falsa alarma es alto.
En una línea próxima, Arif et al.
(2022)
compararon R
-
CNN y R
-
FCN con los
extractores de rasgos VGG y ResNet sobre un conjunto construido por los pr
opios
autores con cámaras de distinto tipo y resolución, con el propósito declarado de reducir
el carácter idealizado de las imágenes de entrenamiento. Su trabajo muestra que,
dentro de esta familia, la discusión se ha desplazado del detector hacia la
repr
esentatividad del material sobre el que se lo mide. Su desventaja es el coste
computacional asociado a ejecutar dos etapas por cada fotograma. En despliegues
con múltiples cámaras en vivo, ese coste se multiplica y compite directamente con el
requisito de
operar en tiempo real. Esta tensión explica que la investigación posterior
se haya desplazado en buena medida hacia arquitecturas de una sola etapa.
3.3. Detectores de una etapa
Los detectores de una etapa eliminan la fase de propuesta de regiones y predic
en
simultáneamente la clase y la posición del objeto en una única pasada por la red. La
familia YOLO es el exponente principal de este enfoque y, junto con Faster R
-
CNN,
concentra la mayor parte de los trabajos publicados en detección de armas
(Olmos et
al
., 2018; Santos et al., 2024; Zahrawi & Shaalan, 2023)
. La evolución de esta familia
puede seguirse a través de trabajos que han desplazado progresivamente el objetivo
de optimización. Bhatti et al.
(2021)
entrenaron YOLOv4 sobre una base propia de
CCT
V y alcanzaron un mAP de 91,73 % y un F1 de 91 %, priorizando la operación en
tiempo real. Ahmed et al.
(2022)
evaluaron además la viabilidad de despliegue: su
variante Scaled
-
YOLOv4 obtuvo un mAP de 92,1 % a 85,7 FPS sobre una GPU RTX
2080 Ti y fue optimizada para Jetson Nano mediante TensorRT. Estudios posteriores
también han explorado técnicas profundas para CC
TV y configuraciones recientes de
detección en tiempo real
(Bamnolkar et al., 2025; Yeddula & Reddy, 2022)
.
Los trabajos posteriores confirman la competitividad de la familia sin resolver su
comparabilidad. Yadav et al.
(2024)
reportaron con YOLOv7 un
96,80 % de exactitud
y un 90,37 % de
recall
, mientras que Rao et al.
(2026)
optaron por una comparación
interna entre versiones y midieron YOLOv8m frente a YOLOv5m sobre un mismo
conjunto, con un mAP50 de 88,54 % frente a 81,69 %. Esta última estrategia
es
metodológicamente más informativa que las cifras aisladas, porque aísla el efecto de
la versión del detector al mantener fijos los datos.
RetinaNet
constituye otra alternativa de una etapa presente en la literatura del dominio
(Salido et al., 2021)
. RetinaNet muestra que el desempeño no depende solo de la
arquitectura. Salido et al.
(2021)
reportaron un AP de 96,36 % y un
recall
de 97,23 %
con Re
tinaNet. En una línea complementaria, Lamas et al.
(2022)
incorporaron
estimación de pose humana para mitigar falsos negativos y mostraron que la
información contextual sobre el portador puede complementar al detector,
especialmente cuando el arma es peq
ueña o está parcialmente ocluida. Estos
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
resu
ltados sugieren que el contexto de la escena puede ser tan determinante como la
arquitectura elegida.
Conviene subrayar una limitación transversal de los detectores de una etapa. Pese a
su ventaja en velocidad,
siguen enfrentando dificultades con objetos pequeños, que
es exactamente la condición predominante en videovigilancia
(Berardini et al., 2024;
Lim et al., 2019; Santos et al., 2024)
. Las cifras elevadas reportadas deben leerse,
además, en el marco de con
juntos de datos propios y no directamente comparables
(Fernandez
-
Testa & Salcedo, 2024; Santos et al., 2024)
.
3.4. Modelos híbridos y arquitecturas en cascada
Una línea de diseño distinta consiste en encadenar varios modelos, cada uno con una
función acotada, en lugar de confiar todo el problema a un único detector. La idea es
reducir el cómputo, la tasa de falsos positivos, o ambos, distribuyendo la decisión en
fases. Estas propuestas se conocen como esquemas de doble etapa o arquitecturas
en
cascada, y aparecen tanto en despliegues de computación en el borde (edge
computing) como en configuraciones distribuidas
(Berardini et al., 2024; Fernandez
-
Testa & Salcedo, 2024)
.
Berardini et al.
(2024)
aplican esta lógica para aliviar el cómputo; es decir, detectan
primero a la persona y buscan el arma solo dentro de esa región, lo que reduce el área
de búsqueda y permite ejecutar el sistema en
hardware
limitado como Jetson Nano.
Fernandez
-
Testa y Salce
do
(2024)
persiguen un objetivo distinto con el mismo
principio, ya que combinan un detector de armas con una red 3DCNN alojada en la
nube que confirma el evento mediante el análisis del contexto de robo. La diferencia
entre ambos es informativa. El prim
ero encadena modelos para reducir carga
computacional, el segundo para reducir falsos positivos. En los dos casos, el segundo
componente actúa como verificador de la hipótesis del primero.
Jaleel et al.
(2022)
aplican este mismo principio bajo computació
n en el borde, con un
esquema en el que un detector de regresión de la familia YOLOv4 propone los
candidatos y un clasificador basado en regiones, Faster R
-
CNN o R
-
FCN, los confirma
antes de emitir la alarma. Los autores reportan una exactitud del 90 %, co
n 94 % de
precisión, 86 % de
recall
y 89 % de F1, y atribuyen la mejora a esa etapa de
verificación.
La lógica común de estos diseños es tratar la detección como una decisión escalonada
y no instantánea. Esto conecta con las estrategias de reducción de falsos positivos y
falsos negativos descritas en la literatura, que incluyen la incorporación de objetos
de
confusión, la estimación de pose y la confirmación mediante análisis temporal o de
contexto
(Bhatti et al., 2021; Fernandez
-
Testa & Salcedo, 2024; Lamas et al., 2022)
.
En definitiva, se trata de compensar mediante el diseño del sistema aquello que la
evidencia visual aislada no permite resolver. La Tabla 2 sintetiza las familias descritas.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Tabla 2
Familias de modelos de aprendizaje profundo aplicadas a la detección de armas de
fuego
Familia
Principio de funcionamiento
Fortaleza y limitación
reportadas
Citas
Enfoques
clásicos
Descriptores diseñados
manualmente más un
clasificador.
Superados por el
aprendizaje profundo en
velocidad y exactitud.
(Salido et al., 2021;
Yadav et al., 2023)
Dos etapas
(Faster R
-
CNN)
Propuesta de regiones
seguida de clasificación y
ajuste.
Se emplean cuando se
prioriza la verificación;
requieren mayor coste
computacional.
(Olmos et al., 2018;
Santos et al., 2024;
Zahrawi & Shaalan,
2023)
Una etapa
(YOLO)
Predicción conjunta de clase
y
localización en una sola
pasada.
Adecuados para priorizar
velocidad; mantienen
dificultades con objetos
pequeños.
(Ahmed et al., 2022;
Bhatti et al., 2021; Rao et
al., 2026; Yadav et al.,
2024)
Una etapa
(RetinaNet)
Detector denso de una
pasada
sobre la imagen
completa.
Desempeño competitivo;
puede complementarse
con información
contextual.
(Salido et al., 2021)
Híbridos y en
cascada
Encadenamiento de modelos
con funciones acotadas.
Reducen cómputo o falsos
positivos; añaden
complejidad de
despliegue.
(Berardini et al., 2024;
Fernandez
-
Testa &
Salcedo, 2024)
4. Evaluación del desempeño y aplicaciones
Evaluar
un detector de armas exige responder dos preguntas simultáneas: qué tan
bien acierta y qué tan rápido lo hace. Ambas dimensiones están en tensión en
videovigilancia porque una alerta correcta y tardía pierde valor operativo. Esta sección
revisa las métric
as utilizadas en el campo, compara el desempeño reportado y
describe los contextos de implementación en los que estos modelos han sido
desplegados.
4.1. Métricas utilizadas
La precisión promedio o AP resume la relación entre precisión y
recall
obtenida al
variar el umbral de confianza del detector. El mAP corresponde al promedio del AP
entre las clases evaluadas y, según el protocolo, puede calcularse con un único umbral
de i
ntersección sobre unión de 0,50 (mAP50) o promediarse entre umbrales de 0,50
a 0,95 en pasos de 0,05 (mAP50
-
95). En la literatura revisada se reportan, por
ejemplo, un mAP de 91,73 %
(Bhatti et al., 2021)
, un mAP de 92,1 %
(Ahmed et al.,
2022)
y un mAP
50 de 88,54 %
(Rao et al., 2026)
. Estos valores solo son comparables
cuando se emplean el mismo conjunto de evaluación, definición de métrica y protocolo
experimental.
Junto al mAP se emplean la precisión, el
recall
y el F1. La precisión indica qué
proporción de las detecciones emitidas es correcta y se relaciona directamente con la
carga de falsas alarmas. El
recall
indica qué proporción de las armas presentes es
detectada efectivamente. Por ejemplo, si el sistema e
mite 100 alertas y 94
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
co
rresponden realmente a armas, su precisión es del 94 %; si existen 100 armas en
las imágenes y detecta 86, su
recall
es del 86 %. El F1 equilibra ambas y aparece de
forma recurrente en la literatura; por ejemplo, con un valor de 91
% en un sistema
basado en YOLOv4
(Bhatti et al., 2021)
o como criterio de comparación entre
RetinaNet y YOLOv3
(Salido et al., 2021)
.
Otra métrica relevante es la velocidad de inferencia, expresada en fotogramas por
segundo. Su importancia deriva del
propósito del sistema, que en la mayoría de los
trabajos revisados es la alerta temprana
(Olmos et al., 2018; Rao et al., 2026; Salido
et al., 2021)
. Los valores reportados varían de forma considerable según el
hardware
,
desde 85,7 FPS en una GPU de escr
itorio
(Ahmed et al., 2022)
hasta 4,43 FPS en un
despliegue distribuido con optimización TensorRT
(Fernandez
-
Testa & Salcedo,
2024)
.
Existe además una dimensión que la literatura trata como crítica sin reducirla siempre
a una métrica única: la latencia de la alerta. Olmos et al.
(2018)
informan activación
de alarma en menos de 0,2 segundos en 27 de 30 escenas, formulando así el criter
io
operativo en términos de tiempo de respuesta y no de exactitud agregada. Esta
manera de reportar resulta difícil de contrastar con la de los estudios que solo publican
mAP, y evidencia que el campo no ha convergido en un criterio común de evaluación.
4.
2. Comparación de rendimiento: precisión frente a velocidad
El compromiso entre precisión y velocidad organiza buena parte de los resultados
publicados. En los estudios revisados, los detectores de dos etapas suelen emplearse
cuando se prioriza la verifica
ción de las propuestas y el control de falsas detecciones,
mientras que la familia YOLO se selecciona con frecuencia en aplicaciones que
priorizan la velocidad de inferencia
(Ahmed et al., 2022; Bhatti et al., 2021; Olmos et
al., 2018)
. Por tanto, la ele
cción de la arquitectura debe responder al coste relativo de
una falsa alarma, una omisión y una alerta tardía, y no a una supuesta superioridad
universal.
La comparación entre estudios recientes ilustra el problema. Yadav et al.
(2024)
reportan un 96,80 % de exactitud con YOLOv7 y Salido et al.
(2021)
un 96,36 % de
AP con RetinaNet, cifras que parecerían situar a ambos modelos por encima del 88,54
% de mAP50 que Rao et al.
(2026)
obtuvieron con YOLOv8m. Sin embargo, esa
lectura serí
a incorrecta, porque cada valor procede de un conjunto de datos distinto e
incluso de métricas que no miden lo mismo. Solo la comparación interna de Rao et al.
(2026)
, realizada sobre datos fijos, permite una conclusión sobre superioridad relativa
entre
dos modelos.
Esta advertencia metodológica es importante para interpretar el estado del campo.
Las diferencias observadas entre arquitecturas pueden ser menores que las
diferencias entre los conjuntos de datos sobre los que fueron medidas
(Fernandez
-
Testa
& Salcedo, 2024; Santos et al., 2024)
. En consecuencia, la Figura 4 y la Tabla
3 deben leerse como evidencia del rango de desempeño alcanzable y no como una
comparación controlada.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Figura 4
Relación entre el mAP
reportado y la velocidad de inferencia en dos configuraciones
de referencia
Nota:
Elaborada a partir de los datos reportados por
Ahmed et al. (2022)
y
Fernandez
-
Testa y Salcedo (2024)
. Los
puntos proceden de conjuntos de datos distintos y no son directamente comparables entre sí
(Fernandez
-
Testa &
Salcedo, 2024; Santos et al., 2024)
.
Tabla 3
Resultados representativos reportados en la literatura revisada
Estudio
M
odelo
Des
empeño reportado
Pl
ataforma
O
lmos et al.
Fa
ster R
-
CNN
Al
arma activada en 27/30 escenas en
menos de 0,2 s
No
e
specificada
Bh
atti et al.
YO
LOv4
m
AP = 91,73 %; F1 = 91 % en CCTV en
tiempo real
Ti
empo real
Ah
med et al.
Sc
aled
-
YOLOv4
m
AP
= 92,1 %; 85,7 FPS
RTX 2
080Ti;
Jetson Nano
con TensorRT
Sa
lido et al.
Ret
inaNet /
YOLOv3
AP =
96,36 %;
recall
= 97,23 %
No
e
specificada
Ya
dav et al.
YO
LOv7
Ex
actitud = 96,80 %;
recall
= 90,37 %
No
e
specificada
Rao
et al.
YO
LOv8m vs
YOLOv5m
m
AP50 =
88,54 % frente a 81,69 %
No
e
specificada
Fe
rnandez
-
Testa y
Salcedo
YO
LOv5s +
3DCNN
m
AP = 87 %; 4,43 FPS con confirmación
en la nube
Si
stema
distribuido con
TensorRT
Nota:
Los valores se transcriben tal como fueron informados en cada fuente; el mAP del último estudio, informado
en escala 0
–
1, se expresa aquí en porcentaje para uniformar la escala. La ausencia de información sobre la
plataforma de ejecución en varios estudios
evidencia diferencias en el nivel de detalle del reporte. Los valores
proceden de conjuntos de datos distintos y no son directamente comparables entre sí
(Fernandez
-
Testa & Salcedo,
2024; Santos et al., 2024)
.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
4
.3. Implementación en tiempo real y comput
ación en el borde
La computación en el borde permite ejecutar el modelo directamente en el dispositivo
que captura el video, en lugar de enviar los fotogramas a un servidor remoto. Esta
orientación es una dirección clara en el campo porque busca menor late
ncia, menor
tráfico de red y mayor privacidad
(Ahmed et al., 2022; Fathy & Saleh, 2022)
. Se trata
de una respuesta directa a las limitaciones de escalar la inferencia centralizada a
muchas cámaras.
La literatura documenta despliegues concretos de esta idea. Se han demostrado
sistemas sobre Jetson Nano, cámaras IP inteligentes y arquitecturas mixtas de borde
y nube con envío selectivo de cuadros para reducir el ancho de banda y confirmar los
eventos
(
Berardini et al., 2024; Fathy & Saleh, 2022; Qi et al., 2021)
. La optimización
del modelo para
hardware
restringido, por ejemplo, mediante TensorRT sobre Jetson
Nano, forma parte de estas propuestas
(Ahmed et al., 2022)
. Jaleel et al.
(2022)
plantean
su sistema de vigilancia proactiva bajo esta misma orientación y sitúan el
procesamiento cerca de la cámara para que
la alerta alcance
al personal de seguridad
dentro de un plazo útil.
Los estudios reportan también velocidades considerablemente diferentes
según la
configuración empleada: Fernandez
-
Testa y Salcedo
(2024)
informan 4,43 FPS en
un sistema distribuido con confirmación en la nube, mientras que Ahmed et al.
(2022)
alcanzan 85,7 FPS sobre una GPU de escritorio. Estas cifras sugieren que el
despliegue en dispositivos restringidos puede introducir un compromiso entre
autonomía y capacidad de procesamiento, aunque no permiten una comparación
directa debido a las difer
encias de modelos, datos y plataformas experimentales.
4.4. Casos de aplicación y limitaciones observadas
Las aplicaciones reportadas se orientan a acortar el tiempo entre la detección y la
respuesta humana. Más allá del propio detector, existen propuestas
que incorporan
alertas por voz, llamadas automáticas y aplicaciones móviles para acelerar la
respuesta operativa
(Al
-
Mousa et al., 2023; Raja Ramesh et al., 2024)
. Estas capas
de notificación reconocen que el valor del sistema no se agota en la inferencia, sino
en la cadena completa hasta el operador. En esa misma dirección, Razzaq et al.
(2023)
integran la generación de alertas en tiempo real hacia las autoridad
es
competentes como parte del propio sistema y no como una capa añadida a posteriori.
En conjunto, el aprendizaje profundo para la detección de armas de fuego funciona
bien en prototipos y despliegues controlados, especialmente con YOLO y Faster R
-
CNN
(Fer
nandez
-
Testa & Salcedo, 2024; Santos et al., 2024)
. Sin embargo, las
limitaciones observadas son consistentes entre estudios. La generalización sigue
restringida por conjuntos de datos heterogéneos, armas pequeñas, oclusión y falsas
alarmas
(Fernandez
-
Te
sta & Salcedo, 2024; Santos et al., 2024)
. A ello se añade el
sesgo hacia armas cortas visibles y el planteamiento del sistema como alarma
temprana antes que como reconocimiento fino
(Olmos et al., 2018; Rao et al., 2026;
Salido et al., 2021)
.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
5.
Tendencias y desafíos futuros
El estado del campo permite identificar direcciones de desarrollo que ya cuentan con
evidencia inicial, junto con problemas que permanecen abiertos. Las tendencias más
consolidadas apuntan a ejecutar el modelo en el propio dispositivo de captura
mediante c
omputación en el borde, a la reducción sistemática de falsos positivos y a
la construcción de conjuntos de datos más representativos. Los desafíos, por su parte,
se concentran en la generalización a escenarios distintos de los vistos durante el
entrenamien
to y en las implicaciones de instalar estos sistemas en espacios de uso
público
(Fernandez
-
Testa & Salcedo, 2024; Santos et al., 2024)
.
5.1. Modelos ligeros y computación en el borde
La primera tendencia consiste en llevar el modelo al dispositivo de cap
tura mediante
versiones ligeras y optimizadas. Esta dirección responde a tres motivaciones
documentadas de forma explícita: reducir la latencia, disminuir el tráfico de red y
aumentar la privacidad
(Ahmed et al., 2022; Fathy & Saleh, 2022)
. Las demostrac
iones
existentes sobre Jetson Nano, cámaras IP inteligentes y arquitecturas de borde y nube
con envío selectivo de cuadros confirman su viabilidad técnica
(Berardini et al., 2024;
Fathy & Saleh, 2022; Qi et al., 2021)
.
El desafío pendiente en esta línea
es cerrar la brecha de rendimiento respecto al
hardware
de escritorio. Los valores reportados en despliegues distribuidos, del orden
de unos pocos fotogramas por segundo
(Fernandez
-
Testa & Salcedo, 2024)
,
contrastan con los obtenidos sobre GPU
(Ahmed et al., 2022)
. Reducir esa distancia
sin sacrificar mAP es una condición para el despliegue a escala. La Figura 5 contrasta
las tres arquitecturas de despliegue documentadas en la literatura.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Figura 5
Arqui
tecturas de despliegue: inferencia centralizada, en el borde y mixta borde
-
nube
5.2. Reducción de falsos positivos y uso del contexto temporal
Una segunda tendencia agrupa las estrategias orientadas a evitar la alarma
injustificada. La literatura reporta cuatro vías complementarias: incluir objetos de
confusión como móviles o carteras en el entrenamiento, añadir información de pose,
preprocesar i
mágenes borrosas o de baja luminosidad, y confirmar el arma mediante
análisis temporal o de contexto de robo
(Bhatti et al., 2021; Goenka & Sitara, 2022;
Salido et al., 2021)
. Estas vías comparten la idea de que la apariencia aislada del
objeto es una ev
idencia insuficiente.
El uso del contexto temporal resulta particularmente prometedor. La confirmación de
eventos mediante una red 3DCNN alojada en la nube muestra que el movimiento y la
secuencia aportan información que un solo fotograma no contiene
(Fern
andez
-
Testa
& Salcedo, 2024)
. De manera análoga, la estimación de pose humana puede contribuir
a mitigar falsos negativos cuando el arma es pequeña u ocluida
(Lamas et al., 2022)
.
Razzaq et al.
(2023)
siguen una orientación relacionada al acoplar un detector
YOLOv5 de armas con un módulo de reconocimiento de violencia basado en ResNet
y Bi
-
LSTM, de modo que la apariencia del objeto se contrasta con la dinámica de la
escena antes de notificar a las auto
ridades.
5.3. Conjuntos de datos más representativos y etiquetado más rico
La escasez de conjuntos de datos estandarizados y suficientemente realistas continúa
siendo un obstáculo estructural del campo
(Bhatti et al., 2021; Lim et al., 2019; Qi et
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
a
l., 202
1)
. Mientras cada grupo entrene y evalúe sobre bases propias, construidas con
imágenes de internet, YouTube o grabaciones CCTV
(Bhatti et al., 2021; Qi et al.,
2021; Santos et al., 2024)
, los resultados publicados seguirán siendo difícilmente
comparabl
es. Por ende, la disponibilidad de conjuntos comunes de evaluación es una
necesidad metodológica antes que una mejora incremental.
Un segundo aspecto de esta línea es la ampliación del alcance del problema. El
predominio de pistolas y armas cortas visibles
deja fuera escenarios relevantes de
seguridad, como las armas ocultas
(Olmos et al., 2018; Rao et al., 2026; Salido et al.,
2021)
. Cubrir esos escenarios exigirá conjuntos de datos diseñados específicamente
para condiciones de oclusión severa, así como
para la variabilidad de escala y de
iluminación reportada como crítica
(Abins et al., 2024; Santos et al., 2024)
.
A la cobertura de armas ocultas debe añadirse el registro explícito de la procedencia
del material en la documentación de cada conjunto de d
atos, indicando si el arma
fotografiada es real, una réplica o una representación sintética. Esta información, hoy
ausente o mencionada de forma incidental en la mayoría de los trabajos revisados,
condiciona la interpretación de los resultados y su transfe
ribilidad a condiciones
abiertas.
5.4. Aspectos éticos y de privacidad
El despliegue de detectores automáticos sobre cámaras de espacios públicos plantea
consideraciones que exceden lo técnico. La literatura del dominio aborda la privacidad
principalmente desde la arquitectura del sistema, señalando que la inferencia en el
bo
rde la favorece al evitar la transmisión continua de video hacia servidores externos
(Ahmed et al., 2022; Fathy & Saleh, 2022)
. En la misma dirección operan las
arquitecturas de borde y nube con envío selectivo de cuadros, que limitan qué
información sal
e del dispositivo
(Fathy & Saleh, 2022; Qi et al., 2021)
.
Además, existe una dimensión ética asociada al error del sistema. Dado que la
mayoría de las propuestas se conciben como alarmas tempranas y no como
reconocimiento forense fino
(Olmos et al., 201
8; Rao et al., 2026; Salido et al., 2021)
,
la decisión final permanece necesariamente en el operador humano. Esta condición
otorga a la tasa de falsas alarmas un peso que no es solo operativo, sino también
ético, en la medida en que cada alerta errónea m
oviliza una respuesta de seguridad
sobre una persona.
5.5. Brechas de investigación
El balance del estado del arte muestra un campo maduro en prototipos y limitado en
generalización. El aprendizaje profundo funciona bien en despliegues controlados,
especialmente con YOLO y Faster R
-
CNN, pero la transferencia a condiciones
abiertas sigue r
estringida por conjuntos de datos heterogéneos, armas pequeñas,
oclusión y falsas alarmas
(Fernandez
-
Testa & Salcedo, 2024; Santos et al., 2024)
. La
detección de objetos pequeños permanece como el principal cuello de botella no
resuelto
(Berardini et al.
, 2024; Bhatti et al., 2021; Santos et al., 2024)
.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
De
este balance se desprenden tres líneas prioritarias. La primera es la evaluación
sobre conjuntos comunes que permita comparaciones controladas entre arquitecturas
(Santos et al., 2024)
. La segunda e
s el tratamiento explícito de la escala reducida del
arma en el cuadro, más allá del cambio de versión del detector
(Berardini et al., 2024;
Lim et al., 2019)
. La tercera es la integración del sistema en la cadena de respuesta
operativa, donde ya existen
propuestas de alertas por voz, llamadas automáticas y
aplicaciones móviles
(Al
-
Mousa et al., 2023; Raja Ramesh et al., 2024)
.
A estas tres líneas se suma una cuarta, hasta ahora poco atendida. Los trabajos
revisados no incorporan de forma sistemática la
s armas de imitación como clase
diferenciada ni reportan tasas de falsos positivos desagregadas para este tipo de
objeto. Caracterizar empíricamente el comportamiento de los detectores ante réplicas
realistas constituye, por tanto, una tarea pendiente con
implicaciones directas para la
interpretación operativa de las alertas.
6.
Discusión
El análisis de la literatura muestra que el desempeño de los sistemas de detección de
armas no depende únicamente de la arquitectura utilizada. El campo presenta un
grado importante de desarrollo técnico en condiciones controladas, pero su
transferencia a
entornos operativos abiertos sigue condicionada por factores que
anteceden a la elección del detector. Los cuatro ejes examinados, esto es, los
conjuntos de datos, las familias de modelos, los criterios de evaluación y las
condiciones de despliegue, no ope
ran como problemas independientes, sino como
restricciones encadenadas: el material disponible fija el techo de desempeño
alcanzable, la métrica reportada determina qué parte de ese desempeño resulta
visible y el
hardware
de destino delimita cuáles solucio
nes son efectivamente
ejecutables. A continuación, se discute cada eje y, después, un aspecto transversal
poco atendido por la literatura.
En lo que respecta a los conjuntos de datos, el hallazgo más consistente es que la
práctica de construir bases propia
s resuelve un problema inmediato y genera uno
estructural. Cada grupo compone su material a partir de imágenes de internet,
fotogramas de video, grabaciones CCTV y, de manera creciente, imágenes sintéticas
(Bhatti et al., 2021; Qi et al., 2021; Salazar
Gon
zález et al., 2020; Santos et al., 2024)
.
La comunidad dispone así de numerosos conjuntos, pero carece de un referente
común; por ello, la heterogeneidad del material se convierte en una variable no
controlada que se confunde con el efecto de la arquitec
tura. A ello, se añade que el
reto principal, el tamaño reducido del arma dentro del cuadro, es un atributo del
material antes que, del modelo, puesto que ninguna versión posterior del detector
modifica el número de píxeles informativos que entrega una cám
ara de vigilancia
(Berardini et al., 2024; Lim et al., 2019; Santos et al., 2024)
.
En cuanto a las familias de modelos, la discusión no debería plantearse en términos
de superioridad absoluta, sino de correspondencia entre el diseño y el criterio
operati
vo. En los estudios revisados, los detectores de dos etapas se emplean cuando
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
se
prioriza la verificación de propuestas y el control de falsos positivos
(Arif et al., 2022;
Olmos et al., 2018; Santos et al., 2024)
, mientras que los de una etapa se selecc
ionan
con frecuencia por su balance entre desempeño y velocidad
(Ahmed et al., 2022;
Bhatti et al., 2021; Rao et al., 2026)
. Los esquemas en cascada muestran que ambas
lógicas son combinables
(Berardini et al., 2024; Fernandez
-
Testa & Salcedo, 2024;
Jale
el et al., 2022)
. Lo relevante es que estas propuestas desplazan la decisión desde
el detector aislado hacia la arquitectura completa del sistema.
La evaluación constituye el punto más frágil del campo. La coexistencia de mAP,
exactitud, precisión,
recall
, F1 y velocidad de inferencia, medidos sobre conjuntos y
hardware
diferentes, produce una apariencia de progreso comparable que el
procedimiento no
sustenta
(Fernandez
-
Testa & Salcedo, 2024; Santos et al., 2024)
.
La evidencia que permite ordenar arquitecturas es la comparación interna sobre datos
fijos, como la realizada entre YOLOv8m y YOLOv5m
(Rao et al., 2026)
. Existe además
una magnitud que l
a mayoría de los trabajos no reporta de manera uniforme: la
latencia completa de la alerta, pese a que esta determina el valor operativo del sistema
en el escenario declarado como objetivo
(Olmos et al., 2018)
. Mientras el campo no
adopte conjuntos y pro
tocolos comunes, las cifras publicadas describirán el rango de
desempeño alcanzable, pero no una jerarquía general entre propuestas.
Respecto de las condiciones de despliegue, la computación en el borde aparece como
una dirección relevante, motivada por la
reducción de la latencia, la disminución del
tráfico de red y la protección de la privacidad
(Ahmed et al., 2022; Fathy & Saleh, 2022;
Jaleel et al., 2022)
. Sin embargo, su discusión no debe omitir el coste asociado. La
distancia entre las decenas de fotogramas por segundo obtenidas sobre GPU de
escritorio y los pocos fotogramas por segundo de un despliegue distribuido
(Ahmed et
al., 2022; Fernandez
-
Testa &
Salcedo, 2024)
indican que la descentralización implica
un intercambio entre autonomía del dispositivo y capacidad de cómputo. La
arquitectura elegida también determina qué información abandona la cámara y, por
tanto, el perfil de privacidad del sistema
desplegado
(Fathy & Saleh, 2022; Jaleel et
al., 2022)
.
Un aspecto que la literatura revisada aborda solo de manera tangencial es el
tratamiento de las armas de imitación, presente de dos formas distintas. Por un lado,
las réplicas, las escenificaciones y
las imágenes sintéticas constituyen fuentes
habituales del material de entrenamiento y prueba, debido a la dificultad de obtener
grabaciones reales de incidentes armados
(Lim et al., 2019; Qi et al., 2021;
Salazar
González et al., 2020)
. Por otro lado,
las réplicas no suelen figurar como clase
explícita ni como categoría separada en el análisis de errores, a diferencia de objetos
cotidianos de confusión
(Abins et al., 2024; Bhatti et al., 2021; Goenka & Sitara, 2022)
.
Esta omisión limita la validez eco
lógica de la evidencia, pues la equivalencia entre el
material simulado y las condiciones reales de CCTV suele asumirse sin una
comprobación específica
(Berardini et al., 2024; Lim et al., 2019; Santos et al., 2024)
.
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
E
ste análisis revela una limitación f
undamental de los sistemas basados
exclusivamente en información visual. Cuando una réplica reproduce de manera
realista la apariencia externa de un arma, un detector que opera exclusivamente con
información visual convencional no puede garantizar su difer
enciación respecto de un
arma real. Más que una deficiencia atribuible únicamente al entrenamiento o a la
arquitectura, se trata de un límite de la información disponible para el sistema. En
consecuencia, estos detectores identifican una apariencia compati
ble con un arma,
pero no determinan por sí solos la existencia de una amenaza. Esta precisión es
coherente con la formulación del dominio como alarma temprana y no como
reconocimiento forense fino
(Goenka & Sitara, 2022; Olmos et al., 2018; Rao et al.,
202
6)
. El problema se traslada así al protocolo de respuesta, donde la verificación
humana posterior a la alerta resulta tan relevante como el detector.
7.
Conclusiones
Esta revisión examinó el estado de la detección de armas de fuego en sistemas de
videovigilancia mediante aprendizaje profundo a partir de cuatro ejes: los conjuntos
de datos, las familias de modelos, los criterios de evaluación y las condiciones de
despli
egue. El campo presenta soluciones con resultados sólidos en condiciones
controladas, pero su transferencia a entornos operativos abiertos permanece limitada
por factores anteriores a la arquitectura del detector. El principal
factor
es la naturaleza
del m
aterial disponible: el tamaño reducido que ocupa el arma dentro del cuadro se
identifica como el cuello de botella no resuelto, junto con la oclusión, la variabilidad de
ángulo e iluminación y la presencia de objetos visualmente similares.
En cuanto a las
soluciones, los estudios revisados muestran que los detectores de
dos etapas suelen seleccionarse cuando se prioriza la verificación de propuestas,
mientras que los de una etapa se utilizan con frecuencia cuando la velocidad de
inferencia es un requisito c
entral; los esquemas en cascada, por su parte, distribuyen
la decisión para reducir el cómputo o las falsas alarmas. Sin embargo, las cifras
publicadas no permiten ordenar universalmente las arquitecturas, porque proceden de
conjuntos propios y métricas he
terogéneas: solo las comparaciones internas sobre
datos fijos autorizan conclusiones sobre superioridad relativa. En el plano del
despliegue, llevar la inferencia al dispositivo de captura responde a exigencias de
latencia, ancho de banda y privacidad, aun
que puede reducir la capacidad de
procesamiento. Por ello, la computación en el borde debe entenderse como un
compromiso explícito y no como una mejora incondicional.
De manera transversal, los resultados permiten precisar el alcance real de estos
sistemas
. La formulación del problema como alarma temprana, el entrenamiento con
réplicas o material simulado y la dificultad de distinguir visualmente una imitación
realista indican que estos sistemas identifican una apariencia compatible con un arma,
pero no det
erminan por sí solos una amenaza
, lo que orienta
el diseño operativo hacia
el protocolo de verificación humana posterior a la alerta. De ello se desprenden cuatro
líneas prioritarias: adoptar conjuntos comunes de evaluación, tratar explícitamente la
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
e
scala
reducida del objeto, documentar la procedencia del material de entrenamiento
y caracterizar el comportamiento ante armas de imitación, e integrar el sistema en la
cadena completa de respuesta operativa.
Finalmente, conviene señalar las limitaciones de est
a revisión. El análisis se apoya en
un conjunto acotado de trabajos y en el desempeño tal como fue reportado por sus
autores, sin verificación experimental independiente. La heterogeneidad de los
conjuntos de datos y de las métricas, señalada aquí como un
hallazgo del campo,
opera también como una restricción sobre la propia síntesis, puesto que impide
agregar los resultados en una comparación cuantitativa única. Por ello, las cifras
reseñadas deben leerse como indicativas del rango de desempeño alcanzable
y no
como una medición comparable entre propuestas.
Contribución de los autores:
conceptualización, C.B.M. y O.E.; metodología, C.B.M.
y O.E.; validación, O.E. y V.T.L.; análisis formal, C.B.M., J.S.C.B. y J.L.T.;
investigación, C.B.M. y V.T.L.;
recursos, J.S.C.B. y J.L.T.; curación de datos, J.S.C.B.
y J.L.T.; redacción del borrador original, C.B.M., J.S.C.B. y V.T.L.; redacción, revisión
y edición, V.T.L., J.L.T. y O.E.; visualización, J.S.C.B. y J.L.T.; supervisión, O.E. y
V.T.L.; administració
n del proyecto, C.B.M. y O.E.
Financiamiento:
esta investigación no recibió financiamiento de agencias públicas,
del sector comercial ni de entidades sin fines de lucro.
Declaración de disponibilidad de datos:
este trabajo no generó datos primarios. Las
fu
entes analizadas se identifican en las referencias bibliográficas. La matriz de
extracción elaborada para la síntesis está disponible previa solicitud razonable al autor
de correspondencia.
Declaración de conflictos de interés:
los autores
declaran no tener ningún conflicto
de intereses.
Referencias Bibliográficas
Abins, A., Priyadharshini, P., Rohidh, G. C., & Cheran, R. (2024).
Weapon Recognition in
CCTV Videos: Deep Learning Solutions for
Rapid Threat Identification.
2024 Second
International Conference on Emerging Trends in Information Technology and Engineering
(ICETITE)
, 1
–
8.
https://doi.org/10.1109/ic
-
ETITE58242.2024.10493569
Ahmed, S., Bhatti, M., Khan, M. G., Lövström, B., & Shahid, M. (2022). Development and
Optimization of Deep Learning Models for Weapon De
tection in Surveillance Videos.
Applied Sciences
,
12
(12), 5772.
https://doi.org/10.3390/app12125772
Akshaya, P., Reddy, P. B., Panuganti, P., Gurusai, P., & Subhahan, A. (2023). Automatic
weapon detectio
n using Deep Learning.
2023 International Conference on Research
Methodologies in Knowledge Management, Artificial Intelligence and Telecommunication
Engineering (RMKMATE)
, 1
–
7.
https://doi
.org/10.1109/RMKMATE59243.2023.10369889
Al
-
Mousa, A., Alzaibaq, O., & Abu
-
Hashyeh, Y. (2023).
Deep Learning
-
Based Real
-
Time
Weapon Detection System.
International Journal of Computing and Digital Systems
,
14
(1), 531
–
540.
https://doi.org/10.12785/ijcds/140141
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
A
rif, E., Shahzad, S. K., Mustafa, R., Jaffar, M. A., & Iqbal, M. W. (2022). Deep Neural
Networks for Gun Detection in Public Surveillance.
Intelligent Automation & Soft
Computing
,
32
(2), 909
–
922.
https://doi.org/10.32604/iasc.2022.021061
Bamnolkar, A., Khakre, K., Gadge, A., Waje
, M., Raut, V., & Khan, M. (2025). Cutting Edge
Weapon Detection in Real
-
Time CCTV Videos.
2025 10th International Conference on
Signal Processing and Communication (ICSC)
, 345
–
350.
https://do
i.org/10.1109/ICSC64553.2025.10968883
Berardini, D., Migliorelli, L., Galdelli, A., Frontoni, E., Mancini, A., & Moccia, S. (2024).
A deep
-
learning framework running on edge devices for handgun and knife detection from indoor
video
-
surveillance cameras.
M
ultimedia Tools and Applications
,
83
(7), 19109
–
19127.
https://doi.org/10.1007/s11042
-
023
-
16231
-
x
Bhatti, M. T., Khan, M. G., Aslam, M., & Fiaz, M. J. (2021). Weapon Detection in Real
-
Time
CCTV Vid
eos Using Deep Learning.
IEEE Access
,
9
, 34366
–
34382.
https://doi.org/10.1109/ACCESS.2021.3059170
Corral
-
Sanz, P., Barreiro
-
Garrido, A., Moreno, A. B., & Sánchez, Á. (2024).
On the influence
of artificially distorted images in firearm detection performance using deep learning.
PeerJ
Computer Science
,
10
, e2381.
https://doi.org/10.7717/peerj
-
cs.2381
Fathy, C., & Saleh, S. N. (2022). Integrating Deep Learning
-
Based IoT and Fog Computing
with Software
-
Defined Networking for Detecting Weapons in Video Surveillance Systems.
Sensors (Basel, Switzerland)
,
22
(14), 5075.
https://doi.org/10.3390/s22145075
Fernandez
-
Testa, S., & Salcedo, E. (2024). Distributed Intelligent Video Surveillance for Early
Armed Robbery Detection Based on Deep Learning.
2024 37th SIB
GRAPI Conference
on Graphics, Patterns and Images (SIBGRAPI)
, 1
–
6.
https://doi.org/10.1109/SIBGRAPI62404.2024.10716299
Goenka, A., & Sitara, K. (2022). Weapon Detection from Surveillance
Images using Deep
Learning.
2022 3rd International Conference for Emerging Technology (INCET)
, 1
–
6.
https://doi.org/10.1109/INCET54531.2022.9824281
Grega, M., Matiolański, A., Guzik, P., & Le
szczuk, M. (2016). Automated Detection of Firearms
and Knives in a CCTV Image.
Sensors (Basel, Switzerland)
,
16
(1), 47.
https://doi.org/10.3390/s16010047
Jaleel, A., Khurshid, S. K., Mustafa, R., Mehmood Aamir, K., Tahir, M., & Ziar, A. (2022).
Towards Proactive Surveillance through CCTV Cameras under Edge
-
Computing and
Deep Learning.
Mathematical Problems in Engineering
,
2022
(1), 7001388.
https://doi.org/10.1155/2022/7001388
Lamas, A., Tabik, S., Cano Montes, A., Pérez
-
Hernández, F., García, J., Olmos, R., & Herrera,
F. (2022). Human pose estimation for mitigating false negatives in weapon detection in
v
ideo
-
surveillance.
Neurocomputing
,
489
(C), 488
–
503.
https://doi.org/10.1016/j.neucom.2021.12.059
Lim, J., Jobayer, M. I. Al, Baskaran, V. M., Lim, J. M., Wong, K., & See, J. (2019). Gun
Detectio
n in Surveillance Videos using Deep Neural Networks.
2019 Asia
-
Pacific Signal
and Information Processing Association Annual Summit and Conference (APSIPA ASC)
,
1998
–
2002.
https://doi.org/1
0.1109/APSIPAASC47483.2019.9023182
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
O
lmos, R., Tabik, S., & Herrera, F. (2018).
Automatic handgun detection alarm in videos using
deep learning.
Neurocomputing
,
275
, 66
–
72.
https://doi.org/10.1016/j.neucom.2017.05.012
Pavithra, T., Thangaraj, R., Pandiyan, P., Uma Rani, M., & Vadivelu
, B. (2022). Real
-
Time
Handgun Detection in Surveillance Videos based on Deep Learning Approach.
2022
International Conference on Applied Artificial Intelligence and Computing (ICAAIC)
, 689
–
693. https://doi.org/10.1109/ICAAIC53929.2022.9793288
Qi, D., Tan,
W., Liu, Z., Yao, Q., & Liu, J. (2021).
A Dataset and System for Real
-
Time Gun
Detection in Surveillance Video Using Deep Learning.
2021 IEEE International
Conference on Systems, Man, and Cybernetics (SMC)
, 667
–
672.
https://doi.org/10.1109/SMC52423.2021.9659207
Raja Ramesh, M. R., Mamatha, P., Viswanadha Pavan Varma, P., Wasim Akram, S., &
Chandu, T. (2024). Harnessing deep learning for video based weapon detection.
Journal
of Artificial Intell
igence, Machine Learning and Neural Network
,
4
(5), 30
–
40.
https://doi.org/10.55529/jaimlnn.45.30.40
Rao, D., ManiSaiDeep, C., Sai, K., Reddy, K., & Kumar, G. (2026). Smart Surveillance System
for F
irearm Detection Using Deep Learning Model.
International Journal of Scientific
Research in Engineering and Management
,
10
(3), 1
–
9.
https://doi.org/10.55041/IJSREM58675
Razzaq, F. A., Chaudary, M. A., F
areed, S., Tariq, W., Waqas, M., & Javaid, S. (2023).
Enhancing Public Safety: Detection of Weapons and Violence in CCTV Videos with Deep
Learning.
2023 25th International Multitopic Conference (INMIC)
, 1
–
6.
https://doi.org/10.1109/INMIC60434.2023.10465800
Salazar González, J. L., Álvarez
-
García, J. A., Rendón
-
Segador, F. J., & Carrara, F. (2023).
Conditioned Cooperative training for semi
-
supervis
ed weapon detection.
Neural
Networks
,
167
, 489
–
501.
https://doi.org/10.1016/j.neunet.2023.08.043
Salazar
González, J. L., Zaccaro, C., Álvarez
-
García, J. A., Soria
Morillo, L. M., &
Sancho
Capar
rini, F. (2020).
Real
-
time gun detection in CCTV: An open problem.
Neural
Networks
,
132
, 297
–
308.
https://doi.org/10.1016/j.neunet.2020.09.013
Salido, J., Lomas, V., Ruiz
-
Santaquiteria, J., & Deniz, O. (2021).
Automatic Handgun Detection
with Deep Learning in Video Surveillance Images.
Applied Sciences
,
11
(13), 6085.
https://doi.org/10.3390/app11136085
Santos, T., Oliveir
a, H., & Cunha, A. (2024). Systematic review on weapon detection in
surveillance footage through deep learning.
Computer Science Review
,
51
, 100612.
https://doi.org/10.1016/j.cosrev.2023.100612
Yadav, P., Gupta, N., & Sharma, P. K. (2023). A comprehensive study towards high
-
level
approaches for weapon detection using classical machine learning and deep learning
methods.
Expert Systems with Applications
,
212
, 118698.
https://doi.org/10.1016/j.eswa.2022.118698
Yadav, P., Gupta, N., & Sharma, P. K. (2024). Enhancing Video Surveillance with Deep
Learning
-
Based Real
-
Time Handgun Detection and
Tracking. In H. Kaur, V. Jakhetiya, P.
Goyal, P. Kh
anna, B. Raman, & S. Kumar (Eds.),
Computer Vision and Image Processing
(pp. 173
–
184). Springer Nature Switzerland.
https://doi.org/10.1007/978
-
3
-
031
-
58181
-
6_15
Multidisciplinary Collaborative Journal
| Vol.0
4
| Núm.0
4
|
Oct
–
Dic
| 202
6
| https://mcjournal.editorialdoso.com
Y
eddula
, N., & Reddy, B. E. (2022). Effective Deep Learning Technique for Weapon Detection
in CCTV Footage.
2022 IEEE 2nd International Conference on Mobile Networks and
Wireless Communications (ICMNWC)
, 1
–
6.
https://doi.org/10.1109/ICMNWC56175.2022.10031724
Zahrawi, M., & Shaalan, K. (2023). Improving video surveillance systems in banks using deep
learning techniques.
Scientific Reports
,
13
(1), 7911.
https://doi.org/10.1038/s41598
-
023
-
35190
-
9