计算机应用

作者：朱子蒙, 李志新, 郇战, 陈瑛, 梁久祯

单位：1.常州大学 计算机与人工智能学院、阿里云大数据学院、软件学院, 江苏 常州 213164；2.常州大学 微电子与控制工程学院, 江苏 常州 213164

关键词：异常检测,弱监督学习,多实例学习,中心损失,受试者工作特征曲线下面积

基金：国家自然科学基金资助项目(62201093)

针对监控视频异常的复杂多样性和短时持续性，引入弱监督视频异常检测方法，旨在仅使用视频级别的标签进行异常检测，并提出了基于变分自编码器（VAE）与长短期记忆（LSTM）网络的异常回归网络VLARNet作为异常检测框架，以捕获时序数据中的时间依赖关系、去除冗余信息，保留数据的关键信息。该框架将异常检测视为回归问题，为学习检测特征，设计了异常分数回归的三元中心损失（TCLASR），与动态多实例学习损失（DMIL）相结合以进一步提高特征的区分能力。DMIL能够扩大异常实例与正常实例之间的类间距离，但同时也扩大了类内距离，而TCLASR可使来自同类的实例与类中心的距离更接近，与不同类中心的距离更远。对VLARNet在ShanghaiTech与CUHK Avenue数据集上进行了综合实验。实验结果表明，VLARNet能够有效利用视频数据的各种信息，在两个数据集上获得的受试者工作特征曲线下面积（AUC）分别为94.64%和93.00%，明显优于对比算法。

来源：2024年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第5期