基于时间-通道拓扑解耦图卷积的异常行为检测

随着姿态估计技术的发展,使用人体骨骼数据而非传统像素数据进行异常行为检测成为可能,这种异常检测方法克服了传统基于像素特征的方法中光照、视角和背景噪声等因素带来的问题。然而,现有的图卷积网络（Graph Convolutional Network,GCN）在处理人体骨骼数据时,通常使用固定的邻接矩阵进行信息聚合,这限制了模型在提取行为特征时的灵活性。为了解决上述问题,本文提出了基于时间-通道拓扑解耦的图卷积网络（Time-Channel Topology Decoupling Graph Convolution Network,TCTD-GCN）。TCTD-GCN分别在时间和通道维度上采用拓扑学习的方式来学习自适应的邻接矩阵,从而实现时间和通道的有效解耦。学习得到的自适应邻接矩阵能更准确地聚合特征,促进对人体行为的准确表示。此外,文章提出一种虚拟异常引导的自监督异常检测（Virtual Anomaly-guided Self-supervised Anomaly Detection,VASAD）策略来提高检测精度。VASAD将异常检测问题视作一个多分类问题,通过将正常行为的不同类别视为“虚拟异常”来辅助模型训练,从而在测试阶段更准确地区分正常与异常行为。这种策略增强了模型对正常行为内在差异的学习,提高了对真实异常的判别能力。最后,本文模型在ShanghaiTech Campus、CUHK Avenue和USCD Ped2三个主流数据集上进行实验,帧级曲线下面积（area under the curve,AUC）分别达到76.6%、87.7%和95.3%,在ShanghaiTech Campus和CUHK Avenue数据集上相对主流模型有明显提升,验证了模型的有效性和优越性。     

一种基于FCOS神经网络的小建筑物目标检测方法

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

利用可选择多尺度图卷积网络的骨架行为识别

针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其次,构建成对关节邻接矩阵和多关节邻接矩阵以生成多尺度通道拓扑细化邻接矩阵,并引入图卷积网络,进一步提出多尺度图卷积(MS-GC)模块,以期实现对骨架关节点的多尺度依赖关系的建模;然后,基于多尺度时序卷积和可选择大核网络,提出可选择多尺度时序卷积(SMS-TC)模块,以期实现对有用的时间上下文特征的充分提取,同时结合MS-GC和SMS-TC模块,进而提出可选择多尺度图卷积网络模型并在多支流数据输入下进行训练;最后,在NTU-RGB+D和NTU-RGB+D 120数据集上进行大量实验,实验结果表明,该模型能够捕获更多的关节特征和学习有用的时间信息,具有优异的准确率和泛化能力。     

基于多尺度非对称密集网络的高光谱图像分类

近年来,基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而,由于高光谱图像的特殊性,冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外,由于各类别像素分布不均,如何强化中心像素的作用,减弱不同类别的周围像素的负面影响也是提高分类性能的关键。为了克服上述局限性,该文提出一种基于多尺度非对称密集网络(MS-ADNet)的高光谱图像分类方法。首先,提出一个多尺度样本构建模块,通过在每个像素周围提取多个尺度的图像块,并进行反卷积和拼接以构建输入样本,使其既包含详细的结构区域,又包含较大的同质区域;然后,提出一个非对称密集连接结构,在空间和光谱特征联合提取中实现核骨架增强,即增强了方形卷积核的中心十字区域部分提取的特征,有效地促进了特征重用。此外,为了提高光谱特征的鉴别性,提出一种精简的元素光谱注意力机制,并将其置于密集连接网络的前端和后端。在每类仅采用5个样本进行网络训练的情况下,该方法在Indiana Pines, Pavia University和Salinas数据集上的总体准确率分别达到了77.66%, 84.54%和92.39%,取得了极具竞争力的分类结果。     

GAD:基于拓扑感知的时间序列异常检测

为了解决网络中节点设备异常检测、智能运维、根因分析等问题,针对链路时延、网络吞吐率、设备内存使用率等时序数据,提出了一种基于图的门控卷积编解码异常检测模型.考虑网络场景的实时性需求以及网络拓扑连接关系对时序数据的影响,基于门控卷积对时序数据并行提取时间维度特征并通过图卷积挖掘空间依赖关系.基于时空特征提取模块组成的编码...     

一种基于操作请求图的Web服务入侵检测方法

为了解决松散耦合性导致的Web服务易遭受攻击的问题,提出一种针对Web服务调用的异常检测方法.通过对BPEL文件的控制流程图进行分析,提取出服务编排中涉及的所有服务操作,以结构性活动为逻辑关系,以操作间传递的参数为有向边权值构造操作请求图,将该操作请求图作为异常检测模型的活动简档,对于不符合异常检测模型的行为判定为入侵.这种方法约束用户按照BPEL的编排执行业务流程,从而保证了Web服务调用的安全性.     

高低维双局部特征融合的点云分类分割网络

点云的分类和分割是三维点云网络的基础步骤,是三维重建、目标识别和自动驾驶等研究的关键环节。针对现有三维点云网络进行分类和分割时无法充分利用点云局部信息而导致精度不高的问题,提出了一种高低维双局部特征融合的点云分类分割网络。本文网络利用图卷积提取点云基于位置信息的低维局部特征,并通过注意力机制提取点云基于语义信息的高维局部特征,同时使用多层感知机提取点云的全局特征,通过多个特征融合的方式来提高点云分类和分割的精度。实验结果表明:本文网络在点云分类任务中,总体精度达到934,平均精度达到903;在点云分割任务中,平均交并比达到862;相较于现有的主流网络具有较好的分类和分割精度。同时对于稀疏点云输入的问题,本文网络具有较强的鲁棒性。     

基于隐马尔可夫模型的用户行为异常检测新方法

提出一种基于隐马尔可夫模型的用户行为异常检测方法,主要用于以shell命令为审计数据的主机型入侵检测系统。与Lane T提出的检测方法相比,所提出的方法改进了对用户行为模式和行为轮廓的表示方式,在HMM的训练中采用了运算量较小的序列匹配方法,并基于状态序列出现概率对被监测用户的行为进行判决。实验表明,此方法具有很高的检测准确度和较强的可操作性。     

基于轻量级图卷积网络的校园暴力行为识别

针对卷积神经网络和图卷积网络的两类算法在校园暴力行为识别中识别速度和识别率不高的问题,本文提出一种结合多信息流数据融合和时空注意力机制的轻量级图卷积网络。以人体骨架为研究对象,首先融合关节点和骨架相关的多信息流数据,通过减少网络参数量来提高运算速度;其次构建基于非局部运算的时空注意力模块关注最具动作判别性的关节点,通过减少冗余信息提高识别准确率;接着构建时空特征提取模块获得关注关节点时空关联信息;最终由Softmax层实现动作识别。实验结果表明：在校园安防实景中对拳打、脚踢、倒地、推搡、打耳光和跪地6种典型动作识别准确率分别为94.5%,97.0%,98.5%,95.0%,94.5%,95.5%,识别速度最大为20.6fps。在UCF101数据集上对比两类基准网络,识别速度和准确率均有提升,验证了方法对其他动作的通用性,可以满足对校园典型暴力行为识别的实时性和可靠性要求。     

分布式隐蔽流量异常的多尺度空间检测

分布式异常流量（如DDoS等）分布式地存在于网络多条链路中,且单条链路的流量异常特征不明显,检测具有很大的难度。丈中提出一种分布式隐蔽异常流量的多尺度空间检测方法,可在网络中的骨干结点上进行早期检测,该方法对骨干网络结点上直接可得的多条链路流量分别进行多尺度小波包分析,找到不同时段下的异常频段,获取该时段下的多个异常重构信号,再从空间上通过核密度估计评估这些信号构成的高维空间点在该时段下的异常程度,作为检测依据。美国教育骨干网实际流量数据和合成的分布式异常流量检测结果表明：文中方法能取得比现有方法更好的检测结果。     

基于注意力机制及Ghost-YOLOv5的水下垃圾目标检测

针对水下废弃物红外目标检测中出现的检测目标边界细节模糊、图像质量低和存在各种不规则形状或损坏的覆盖物等问题,本文提出了一种基于YOLOv5的改进目标检测方法（EFDCD-YOLO）。在主干网络中选择InceptionNeXt网络,以增强模型的表达能力和特征提取能力。其次,在特征融合层中通过加入EffectiveSE注意力机制,自适应地学习特征通道的重要性,并进行选择性加权。采用可变形卷积替代原模型中的C3模块,使模型能够更好地感知目标的形状和细节信息。此外,将CARAFE算子替代上采样模块,增强对细粒度特征的表现能力,避免信息丢失。在损失函数方面,采用Focal-EIOU损失函数,以提高模型对目标定位和边界框回归的准确性。最后,引入DyHead替换YOLOv5中的头部,通过动态感受野机制和多尺度的特征融合方式,提升模型的准确性。将改进后的EFDCD-YOLO模型应用于水下废弃物红外目标检测,相比于YOLOv5模型,改进后的模型在准确率（P）、召回率（R）和平均精度（mAP）方面分别提升了21.4%、9.7%和13.6%。实验结果表明,EFDCD-YOLO能够有效地提升水下废弃物红外目标检测场景的性能,更好地满足水下废弃物红外目标检测的需求。

     

融合视觉注意机制的高光谱RX异常检测算法

视觉注意机制具有快速引导关注到重点区域的特性,将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的RX异常检测算法在背景参数估计中易受潜在异常干扰的问题,利用视觉显著性结果对原图像进行高斯加权,在加权后图像中进行背景均值与协方差的重新估算,进而使用更精确的背景参数对原图像进行RX异常检测。在5个经典数据上的实验结果表明,本文方法有效地表现了潜在的异常目标,改进的RX异常检测算法具有更高的检测精度与更低的虚警率。     

基于改进YOLOv3_Tiny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要 求高;而轻量化网络YOLOv3_Tiny对 压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_Tiny的 改进算法DAYOLOv3_Tiny。DAYOLOv3_Tiny构建了深度可分离卷积块替代标准卷积,使用卷积 操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入 了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压 敏电阻表面 缺陷数据集上进行实验,结果表明,DAYOLOv3_Tiny的mAP值为92.23%,较改进前 提升了12.25%;改进后的DAYOLOv3_Tiny模型大小为YOLOv3_Tiny的55.42%,仅18.9 MB。实验 表明,DAYOLOv3_Tiny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况 ,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。     

Multi-scale spatial–temporal attention graph convolutional networks for driver fatigue detection

With the development of deep learning, fatigue detection technology for drivers has achieved remarkable achievements. Although the image-based approach achieves good accuracy, it inevitably leads to greater model complexity, which is unsuitable for mobile terminal devices. Luckily, human skeletal data significantly reduces the impact of noise and input data volume while retaining valid information, and it can better deal with real-world driving scenarios with the benefit of robustness in complex driving situations. This paper proposes a lightweight multi-scale spatio-temporal attention graph convolutional network (MS-STAGCN) to efficiently utilize skeleton data to identify driver states by aggregating locally and globally valid face information, which achieves good performance even for lightweight design. The experimental results show that the method achieves 92.4% accuracy on the NTHU-DDD dataset, which can be applied to fatigue detection tasks of the driver in real-world driving scenarios in the future.     

一种基于YOLOv8网络架构的机场飞鸟检测方法

为克服机场飞鸟检测中人工观测准确率低、速度慢、雷达探测造价高的缺点,保障民航安全运行,采用深度学习目标检测算法实现对机场附近飞鸟的精确感知。为提高YOLOv8对重要特征的关注度,在颈部添加高效通道注意力(Efficient Channel Attention, ECA),使网络在增加少量参数的情况下获得较明显的精度提升。提出多分支C3(Multi-branch C3,MBC3)模块,通过引入具有不同感受野的卷积分支结构以增强模块的表达能力。探究了不同网络宽度及深度对模型性能的影响并为模型选择合适的宽度与深度因子。为减少小飞鸟特征丢失问题,提出了浅层特征-路径聚合网络(Shallow Feature-Path Aggregation Network, SF-PAN)。在机场飞鸟数据集上测试,结果表明,改进YOLOv8的mAP@50达到82.9%,相比原YOLOv8提升了2.4%;其速度达到31 frame/s。改进YOLOv8满足机场飞鸟检测实时性和精确性的要求,为复杂环境下机场鸟类检测提供了一种新思路。     

用于声音事件定位与检测的空间信息增强方法

声音事件定位与检测包含到达方向估计和声音事件检测两个子任务。作为当前声音事件定位与检测领域中应用最为广泛的模型之一,卷积循环神经网络模型采用卷积神经网络分别从单个音频通道中提取特征,这导致模型丢失了不同通道间的相关信息。然而,通道间的相关信息蕴含了与声源位置相关的空间线索,空间信息的缺失必然会影响模型的到达方向估计性能。此外,卷积循环神经网络模型中使用的交叉熵损失函数还会引起特征分散问题。为解决这些问题,本文提出采用混合损失函数的图卷积循环神经网络模型。具体地,采用图卷积神经网络对不同特征通道间的信息进行聚合,以获取包含更丰富空间信息的特征,来改进卷积循环神经网络模型的到达方向估计性能。在此基础上,结合交叉熵损失函数和角度间隔softmax函数,提出一种新的混合损失函数来解决特征分散问题提高模型的分类性能。实验结果表明,本文提出的采用混合损失函数的图卷积循环神经网络模型在定位相关声音事件检测错误率、F1分数、定位召回率和声音事件定位与检测得分方面均优于其他声音事件定位与检测模型。     

基于层级实时记忆算法的时间序列异常检测算法

时间序列异常检测是数据分析中一个重要的研究领域.传统的时间序列的异常检测方法主要通过比较检测数据和历史数据的差异程度,以判断被检测数据是否为奇异点（Surprise）、离群（Outlier）点等.然而序列和窗口的划分,状态的划分或者异常的定义和判定等问题,使得这类方法存在一定的局限性.本文针对传统时间序列检测算法不足,提出一种基于层级实时记忆算法的时间序列异常检测算法.该方法对时间序列内在模式关系进行学习,建立预测模型,通过比较预测值和真实值的偏离程度来判断数据是否异常.首先使用稀疏离散表征在保证保留数据相关性的同时又将数据离散化;然后输入到模型网络,预测下一时刻的数据值;最终根据预测值和真实值的差异为数据异常程度进行定量评分.在人造数据和真实数据上的实验表明,该方法能够准确、快速地发掘时间序列中的异常.