基于三元中心引导的弱监督视频异常检测

• 全文链接
• 请求原文

作   者：

朱子蒙;  李志新;  郇战;  陈瑛;  梁久祯; 

作者机构：

常州大学计算机与人工智能学院、阿里云大数据学院、软件学院; 

关键词：

弱监督学习;  多实例学习;  中心损失;  受试者工作特征曲线下面积;  异常检测; 

期刊名称：

计算机应用

i s s n：

1001-9081

年卷期：

2024 年 44 卷 005 期

页   码：

1452-1457

摘   要：

针对监控视频异常的复杂多样性和短时持续性,引入弱监督视频异常检测方法,旨在仅使用视频级别的标签进行异常检测,并提出了基于变分自编码器(VAE)与长短期记忆(LSTM)网络的异常回归网络VLARNet作为异常检测框架,以捕获时序数据中的时间依赖关系、去除冗余信息,保留数据的关键信息.该框架将异常检测视为回归问题,为学习检测特征,设计了异常分数回归的三元中心损失(TCLASR),与动态多实例学习损失(DMIL)相结合以进一步提高特征的区分能力.DMIL能够扩大异常实例与正常实例之间的类间距离,但同时也扩大了类内距离,而TCLASR可使来自同类的实例与类中心的距离更接近,与不同类中心的距离更远.对VLARNet在ShanghaiTech与CUHK Avenue数据集上进行了综合实验.实验结果表明,VLARNet能够有效利用视频数据的各种信息,在两个数据集上获得的受试者工作特征曲线下面积(AUC)分别为94.64%和93.00%,明显优于对比算法.