计算机应用

作者：潘理虎, 彭守信, 张睿, 薛之洋, 毛旭珍

单位：太原科技大学 计算机科学与技术学院，太原 030024

关键词：深度学习,视频异常检测,生成对抗网络,未来帧预测,无监督学习

基金：山西省基础研究计划项目(202203021221145);山西省研究生联合培养示范基地项目(2022JD11)

静态背景信息和运动前景对象的数据分布不平衡通常会引起发生异常的前景区域信息学习不充分问题，进而影响视频异常检测（VAD）的精度。为了解决上述问题，提出一种用于VAD的嵌套U型帧预测生成对抗网络（NUFP-GAN）方法。所提方法使用具有突出视频帧中显著目标能力的嵌套U型帧预测网络架构作为帧预测模块，并在判别阶段设计一个自注意力补丁判别器，应用不同大小的感受野提取视频帧中更重要的外观和运动特征，以提升异常检测的准确性。此外，为保证预测帧和真实帧在高级语义信息上的多尺度特征一致性，引入多尺度一致性损失，以进一步提升方法的异常检测效果。实验结果表明，所提方法在CUHK Avenue、UCSD Ped1、UCSD Ped2和ShanghaiTech数据集上的曲线下面积（AUC）值分别达到了87.6%、85.2%、96.0%和73.3%；与MAMC （Memory-enhanced Appearance-Motion Consistency）方法相比，所提方法在ShanghaiTech数据集上的AUC值提升了1.8个百分点。可见，所提方法能够有效应对VAD中数据分布不平衡带来的挑战。

来源：2025年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第4期