-
公开(公告)号：CN114612836B
公开(公告)日：2024-04-05
申请号：CN202210254979.X
申请日：2022-03-15
Applicant: 南京邮电大学
IPC: G06V20/40 , G06V20/52 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084 , H04N17/00
Abstract: 本发明提供一种基于记忆增强未来视频帧预测的监控视频异常检测方法，属于视频异常检测技术领域。该方法，首先搭建并优化学习异常检测模型，异常检测模型包括生成器网络和判别器网络；其中，生成器网络包括编码器、记忆模块和解码器，生成下一时刻的视频帧，即未来视频帧；判别器网络通过计算未来视频帧的异常分数，使用异常分数作为判断未来视频帧是否异常的标准；通过强度损失、梯度损失、光流损失、对抗损失和交叉熵损失对搭建的异常检测模型进行优化学习；然后对监控视频中的异常事件进行检测；该方法能显著提高监控视频中的异常检测精度；生成器网络具有较高的通用性和鲁棒性，能够嵌入到大多数异常检测方法中，提高其异常检测的性能。
-
公开(公告)号：CN114612836A
公开(公告)日：2022-06-10
申请号：CN202210254979.X
申请日：2022-03-15
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于记忆增强未来视频帧预测的监控视频异常检测方法，属于视频异常检测技术领域。该方法，首先搭建并优化学习异常检测模型，异常检测模型包括生成器网络和判别器网络；其中，生成器网络包括编码器、记忆模块和解码器，生成下一时刻的视频帧，即未来视频帧；判别器网络通过计算未来视频帧的异常分数，使用异常分数作为判断未来视频帧是否异常的标准；通过强度损失、梯度损失、光流损失、对抗损失和交叉熵损失对搭建的异常检测模型进行优化学习；然后对监控视频中的异常事件进行检测；该方法能显著提高监控视频中的异常检测精度；生成器网络具有较高的通用性和鲁棒性，能够嵌入到大多数异常检测方法中，提高其异常检测的性能。
-
公开(公告)号：CN115527150A
公开(公告)日：2022-12-27
申请号：CN202211343864.4
申请日：2022-10-31
Applicant: 南京邮电大学
Abstract: 本发明属于视频异常检测技术领域，公开了一种结合卷积注意力模块的双分支视频异常检测方法，包括：取训练集中的原始帧，再将原始帧输入到光流提取网络中得到光流帧，然后将原始帧和光流帧分别输入到预测和重建两个分支网络中，并通过联合损失函数对双分支网络进行训练，从而得到一个完整的视频异常检测检测模型，类似的，在测试阶段，取测试集中原始帧，并通过光流提取网络得到光流帧，再将原始帧和光流帧分别输入到预测和重建分支中，分别得到预测帧和重建帧，通过计算得到预测帧和真实帧的预测误差，重建帧和光流帧的重建误差，对两种误差进行加权平衡，得到视频帧异常得分，实现对异常视频帧的检测。本发明可以实现更高的检测精度。
-
-
Search Results
3
records
(took 0.022 seconds)
