公开(公告)号：CN119478768A

公开(公告)日：2025-02-18

申请号：CN202411488588.X

申请日：2024-10-23

Applicant: 杭州电子科技大学

Inventor： 陈淼 ,  樊谨 ,  邬惠峰 ,  顾张裕 ,  杨嘉俊 ,  蒋涵羽 ,  陈纪萌

IPC: G06V20/40 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于SSIM和STE‑3D的视频异常检测方法，包括以下步骤：首先将待增强的基于三维卷积的视频异常检测模型的损失函数和异常分数计算公式中的均方误差MSE替换为结构相似性指数SSIM，插入时空增强块STE‑3D，得到增强后的视频异常检测模型；将训练集中的视频帧预处理为小视频片段输入到增强后的视频异常检测模型中进行训练，模型输入记为I；将根据预处理后的小视频片段重构生成的小视频片段记为O，计算I和O间的损失值，更新模型权重，直至训练完成；预测阶段，计算I和O间的重构误差，判断当前帧是否是异常帧。本发明采用上述的一种基于SSIM和STE‑3D的视频异常检测方法，提供了更适合评估视频异常的指标，并确保检测到的异常与人类观察更准确地对应。

公开(公告)号：CN118430262A

公开(公告)日：2024-08-02

申请号：CN202410653043.3

申请日：2024-05-24

Applicant: 杭州电子科技大学

Inventor： 蒋涵羽 ,  樊谨 ,  翁文超 ,  祝符 ,  田浩

IPC: G08G1/01 ,  G06F18/214 ,  G06F18/21 ,  G06F18/22 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于周期动态图序列模型的交通预测方法，属于智能交通系统领域，包括对交通序列进行数据预处理与分割；得到对应时间点t的日内周期特征和周内周期特征；对交通信号提取时空特征；解码器根据前一个时间步的真实值预测下一个时间的真实值；得到训练好的解耦动态图卷积循环网络；得到基于测试数据生成的预测序列；得到最终代表模型表现的平均绝对误差；迭代计算直至平均绝对误差不再减小。本发明采用上述的一种基于周期动态图序列模型的交通预测方法，使用周期特征选择器来挑选出交通信号对应的周期特征，并与交通信号相结合，生成周期动态图，在不依赖先验知识的情况下很好的提取特征来进行交通预测，取得了更好的效果。