【摘 要】
：
随着越来越多的监控摄像头被作为安保工具投入使用,视频异常行为检测成为了一项重要研究课题。异常行为指的是场景中不符合预期或常规模式的事件,视频异常行为检测的目的是检测出视频中异常行为发生的时间。正常行为与异常行为之间的界限模糊性和异常行为的稀缺性使得有监督方法不能很好应用于该课题,研究者们从无监督和弱监督角度提出了一些方法并取得了不错的效果,但仍存在一些问题。从无监督学习角度来看,现有方法使用视频预
论文部分内容阅读
随着越来越多的监控摄像头被作为安保工具投入使用,视频异常行为检测成为了一项重要研究课题。异常行为指的是场景中不符合预期或常规模式的事件,视频异常行为检测的目的是检测出视频中异常行为发生的时间。正常行为与异常行为之间的界限模糊性和异常行为的稀缺性使得有监督方法不能很好应用于该课题,研究者们从无监督和弱监督角度提出了一些方法并取得了不错的效果,但仍存在一些问题。从无监督学习角度来看,现有方法使用视频预测或重建的代理任务使得模型更关注像素级语义,而忽略了高维的语义信息;同时单一的代理任务与异常检测任务之间存在较大的不一致性。从弱监督学习角度来看,现有方法大多是利用异常分数监督模型训练,缺乏较强的监督信号,同时也忽略了更广范围的时序依赖关系。针对这些问题,本文分别从无监督和弱监督两个角度提出了相应的改进方法。从无监督学习角度,提出了一种基于时序自监督的视频异常检测算法,通过联合学习多个时序自监督代理任务获取视频的高级语义,并缓解了代理任务与异常检测任务之间的不一致问题。首先设计了时序变换模块对原视频施加旋转和倒序的时序变换,变换后的视频段作为后续代理任务的输入;其次设计了3D编码器来获取视频时序语义,3D编码器由多个代理任务联合训练并共享参数;之后三个不同的任务层网络分别完成视频预测任务、视频旋转角度预测任务和播放顺序预测任务。推理阶段联合利用多个任务损失来计算视频帧的异常得分。本方法在无监督数据集UCSD Ped2和CUHK Avenue上的异常检测精度AUC分别达到了97.7%和87.3%,超过了很多基准模型,验证了方法的有效性。从弱监督学习角度,提出了一种基于多示例学习的视频异常检测算法。首先,训练集的视频被分成固定数目、互不重叠的视频段,采用基于Transformer的骨干网络提取更广范围的时序依赖关系;其次设计了特征强度排序损失来扩大正常和异常行为之间的间隔,并提出特征聚集损失来缩小正常行为的类内差距,缓解训练初期的标签错分配问题;最后,多层感知机在二分类交叉熵的约束下输出视频段的异常得分。本方法在弱监督数据集Shanghai Tech和UCF-Crime上的异常检测精度AUC分别达到了91.8%和83.3%,验证了方法的有效性。
其他文献
近年来,智慧城市的大力推动以及物联网技术的日益成熟,催生了大量的时序数据。时序数据分类作为时序数据挖掘中的前沿问题之一,一直备受研究人员的关注。而且现在随着传感器的种类和数量增多,时序数据的数据量和复杂性也随之提高,使得时序数据分类成为一项更具挑战性的任务。目前主流的时序数据分类方法主要分成两类:传统方法和深度学习方法。传统方法容易受领域知识的限制,不太适合当下的时序数据分类任务。而基于深度学习的
身处大数据时代,人工智能技术为我们生活带来诸多便捷,身份认证便是其中之一。人脸检测与识别作为身份认证最重要的支撑技术,一直以来都备受关注。特别是近年来,深度学习的发展极大提升了人脸检测与识别的性能。在疫情的大背景下,出行佩戴口罩是自我保护的重要方式,口罩带来了人脸遮挡问题,而遮挡带来的人脸信息丢失以及遮挡物信息干扰给现有的人脸检测与识别算法带来极大挑战。如何弥补因遮挡而丢失的特征信息以及如何剔除因
背景断层皮片移植是整形和皮肤手术中一种重要的治疗方法,中厚皮片具有存活较易,在存活后的收缩性、耐磨性、颜色改变等方面不明显等特点,在整形外科中被广泛应用于身体各个部位皮肤缺损的修复。而移植后留下来的皮片供区,愈合过程中疼痛、瘙痒等不适及伴发感染等并发症,极大增加了患者的痛苦。表皮生长因子（epidermal growth factor,EGF）是一种生长因子,可通过刺激上皮细胞有丝分裂和趋化性来调
目的与外伤相关的面部瘢痕可能会对患者的心理健康和生活质量产生深远的影响。硅凝胶膜（Silicone Gel Sheeting,SGS）是目前预防增生性瘢痕的首选产品。我们对面部外伤行急诊清创缝合手术后希望预防明显瘢痕的患者推荐硅凝胶贴膜,但这类产品在临床上的使用存在诸多限制。最近的研究表明,A型肉毒毒素（Botulinum Toxin Type A,BTA）具有抗增生性瘢痕的特性,其机制包括降低伤
近年来,随着硬件性能的不断提升,深度学习得到了广泛的应用,极大的推动了计算机视觉、自然语言处理等领域的发展。然而,深度学习在这些领域中优秀的表现,离不开训练阶段所使用的海量数据。但是在不少实际场景中,受限于隐私、安全等原因,难以提供足够的数据供模型训练,因此围绕小样本展开的研究逐渐成为热点。现阶段,在小样本图像分类领域,针对类别间差异不大的细粒度数据集,不少模型都能够获得较好的效果。然而,当模型训
时间序列数据中的异常数据蕴含了重要信息,如心电数据中异常模式对应心脏疾病,信用卡异常交易数据对应欺诈事件等,因此对时间序列数据进行异常检测具有重要意义。目前基于深度学习的异常检测算法在训练时只关注正常数据的深度特征提取,当正常样本与异常样本比较相近时,提取的特征不能有效区分正常和异常。而在实际应用场景中其实部分异常数据是已知的,但现有的大多数异常检测算法并没有考虑利用这些先验知识,忽略了异常数据对
目的:外伤性视神经病变（traumatic optic neuropathy,TON）是一类在临床诊疗中非常常见的眼损伤类型,其发生率约占闭合性颅脑外伤的0.5%～5.0%,常因客观诊断依据不足易漏诊与误诊。TON除了可以直接导致视神经轴突的损伤之外,还可继发诱导视网膜病变,进一步加剧患者的视觉功能障碍。由此可见,对于此类损伤应尽早识别并给予积极的干预治疗,以便最大程度地挽救残存视功能。本研究通过
背景与目的在全球肥胖流行的背景下,妊娠期糖尿病（Gestational disbetes mellitus,GDM）的流行率正在迅速上升,并将继续攀升。GDM病通过基因和环境等机制对母体及其后代的健康产生了严重的不利影响,其发病机制仍未完全了解。然而在叶酸作为预防神经管缺陷症这一重要公共卫生服务项目发展的同时,发现在人群流行病学调查中,定期补充叶酸的人群增加了患GDM的风险。此研究探讨叶酸补充时间
基于光学遥感图像的舰船检测已成为国内外研究的热点,无论在军事领域还是在民用领域都有着重要的应用价值。现有的舰船检测方法仍存在旋转特征敏感、尺度变化大、角度边界等问题。针对这些问题,本文提出了一种基于等变向量场的两阶段检测方法以及一种基于锚框稀疏和特征增强的单阶段检测方法。本文的主要工作如下:（1）基于等变向量场的两阶段舰船检测方法。为了适应舰船目标任意取向的特点,更好地提取旋转敏感特征,引入等变向
近年来,随着信息社会的蓬勃发展,海量有价值的网络数据不断涌现,如社交网络、引文网络、生物多分子网络、通信网络等。在此背景之下,图作为一种复杂数据类型,因其对现实网络数据建模的灵活性,引起了越来越多研究人员的关注。针对图数据的算法研究进而成为新的探索热点之一。尽管基于神经网络模型的图相关算法在链路预测、节点分类和图分类等任务上已经取得较好结果,但对图数据中隐含可解释信息（模式）的研究仍具有重要价值。