伪异常选择驱动学习的视频异常检测
无监督视频异常检测方法通常使用正常的监控视频数据通过帧重构/帧预测方法来训练视频异常检测模型.然而,正常视频中往往包含大量的相似画面和背景帧,数据集冗余的问题尤为明显,因此不能高效地进行异常检测模型训练.针对该问题,提出了伪异常选择驱动学习的视频异常检测方法,从原始视频训练数据中迭代选取部分异常分数高的正常视频帧(伪异常帧)来构建新的训练池,用于学习和优化视频异常检测模型.在检测模型方面,设计了基于后继帧预测的双路U-Net骨干网络,以不同采样率的视频段分别作为两个支路的输入,从而从多个粒度上更好地提取和利用视频的时空特征.为了加强典型训练数据对帧预测任务和异常检测的影响,双路U-Net中设计了多层的记忆学习模块.在常用视频异常检测数据集上进行实验,验证了所提方法在检测精度和训练效率上的有效性.
视频监控、异常检测、样本选择、记忆模型、时空特征
50
TP391.4(计算技术、计算机技术)
国家自然科学基金;重庆市技术创新与发展应用专项重点项目
2023-05-12(万方平台首次上网日期,不代表论文的发表时间)
共9页
146-154