| 基于双流网络与多示例学习的异常事件检测 |
| |
| 引用本文： | 杨先斌,党建武,王松,王阳萍.基于双流网络与多示例学习的异常事件检测[J].激光与光电子学进展,2021,58(20):397-406. |
| |
| 作者姓名： | 杨先斌 党建武 王松 王阳萍 |
| |
| 作者单位： | 兰州交通大学电子与信息工程学院,甘肃兰州730070;兰州交通大学电子与信息工程学院,甘肃兰州730070;甘肃省人工智能与图形图像处理工程研究中心,甘肃兰州730070;甘肃省人工智能与图形图像处理工程研究中心,甘肃兰州730070;兰州交通大学计算机科学与技术国家级实验教学示范中心,甘肃兰州730070 |
| |
| 摘 要： | 面对当前复杂场景下异常事件检测算法过度依赖帧级别标记,以及I3D模型耗时长、内存占用大等问题,设计了一种基于I3D的M-I3D模型并将其作为特征提取器,提出一种了基于深度时空特征和多示例学习的异常检测方法.所提方法将正常视频和异常视频作为包,并将视频片段作为多示例学习中的示例.利用M-I3D模型提取每个视频片段的特征,并将提取到的特征向量输入到三层全连接层中,进而自动学习一个深度异常排序模型,该模型可以预测异常视频片段的分数.此外,为了在训练过程中较好地定位异常,在排序损失函数中引入稀疏函数和约束性函数.结果 表明,与其他方法相比,所提算法在UCF-Crime数据集上具有更高的准确率和更好的实时性.
|
| 关 键 词： | 异常事件检测 多示例学习 深度异常排序模型 卷积神经网络 特征提取 |
Anomaly Event Detection Based on Two-Stream Network and Multi-instance Learning |
| |
| Yang Xianbin,Dang Jianwu,Wang Song,Wang Yangping.Anomaly Event Detection Based on Two-Stream Network and Multi-instance Learning[J].Laser & Optoelectronics Progress,2021,58(20):397-406. |
| |
| Authors: | Yang Xianbin Dang Jianwu Wang Song Wang Yangping |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
