在機器學(xué)習(xí)/數(shù)據(jù)挖掘的眾多研究分支中,異常檢測一直是最為重要并且最具有挑戰(zhàn)性的課題之一,其也被稱為單類別分類/新奇點檢測/離群點檢測等。具體來說,異常檢測致力于從一個數(shù)據(jù)集合中檢測出與觀測到的數(shù)據(jù)常見行為最為不相符的那些異乎尋常的數(shù)據(jù)模式,換言之,其將數(shù)據(jù)分類為正常類別和異常類別。異常檢測有著非常廣泛的應(yīng)用領(lǐng)域,例如網(wǎng)絡(luò)入侵檢測、欺詐檢測、工業(yè)故障檢測以及智能圖像視頻處理與理解等。與傳統(tǒng)的分類問題相比,異常檢測更具有挑戰(zhàn)性,且其到現(xiàn)在仍然是一個研究的熱點,而本文的工作也將聚焦于此問題。本文的工作可以歸納如下:(1)針對擁擠場景下的有監(jiān)督視頻異常事件檢測問題,本文提出了一種基于新型底層時空特征算子和單類別極限學(xué)習(xí)機的方法。視頻異常事件檢測是異常檢測在計算機視覺中的一個具有巨大潛在應(yīng)用價值的新應(yīng)用,在有監(jiān)督的設(shè)定下,其任務(wù)是在給定只包含正常視頻事件的訓(xùn)練視頻序列的情況下自動檢測并定位監(jiān)控視頻中發(fā)生的異常事件。同時,擁擠場景則是視頻異常事件檢測面臨的主要挑戰(zhàn)之一,其會使包含目標檢測、跟蹤在內(nèi)的經(jīng)典高語義層次視頻處理方法都失效。我們方法的主要貢獻如下:首先,我們設(shè)計了兩種新穎的底層時空特征算子...

【文章頁數(shù)】：216 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及研究意義
        1.1.1 異常檢測的背景及定義
        1.1.2 異常檢測的應(yīng)用領(lǐng)域
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 常見異常檢測技術(shù)
        1.2.2 異常檢測面臨的挑戰(zhàn)
    1.3 研究內(nèi)容
    1.4 研究成果
    1.5 論文結(jié)構(gòu)
第二章 擁擠場景下的有監(jiān)督視頻異常事件檢測
    2.1 引言
    2.2 相關(guān)工作
        2.2.1 有監(jiān)督的視頻異常事件檢測
        2.2.2 視頻事件表示
        2.2.3 正常視頻事件建模
        2.2.4 極限學(xué)習(xí)機
    2.3 視頻幀預(yù)處理
    2.4 基于局部運動的時空特征算子設(shè)計
        2.4.1 基于一致局部梯度模式的光流算子
        2.4.2 空間局部化光流直方圖算子
    2.5 基于單類別超限學(xué)習(xí)機的正常事件建模
    2.6 實驗結(jié)果與分析
        2.6.1 數(shù)據(jù)集
        2.6.2 評價準則
        2.6.3 參數(shù)設(shè)定
        2.6.4 實驗結(jié)果
    2.7 本章小結(jié)
第三章 無監(jiān)督視頻異常事件檢測
    3.1 引言
    3.2 相關(guān)工作
        3.2.1 無監(jiān)督設(shè)定下的視頻異常事件檢測
        3.2.2 基于自編碼器的視頻異常事件檢測
    3.3 研究動機
    3.4 兩階段無監(jiān)督視頻異常事件檢測
        3.4.1 視頻預(yù)處理
        3.4.2 第一階段:視頻正常事件估計
        3.4.3 第二階段:視頻正常事件的精細建模
    3.5 實驗結(jié)果與分析
        3.5.1 數(shù)據(jù)集與評價準則
        3.5.2 實驗參數(shù)設(shè)定
        3.5.3 實驗結(jié)果
        3.5.4 討論:單階段與兩階段無監(jiān)督視頻異常事件檢測
        3.5.5 實驗結(jié)果可視化
    3.6 本章小結(jié)
第四章 MST-GEN:一種半監(jiān)督異常檢測超參數(shù)選擇框架
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 經(jīng)典超參數(shù)選擇方法
        4.2.2 單類別分類器超參數(shù)選擇方法
    4.3 MST-GEN
        4.3.1 n輪最小生成樹
        4.3.2 偽異常數(shù)據(jù)生成
        4.3.3 偽正常數(shù)據(jù)生成
        4.3.4 MST-GEN完整算法流程和時間復(fù)雜度
    4.4 實驗結(jié)果與分析
        4.4.1 評價標準
        4.4.2 實驗設(shè)定和實現(xiàn)
        4.4.3 實驗結(jié)果
        4.4.4 討論
    4.5 本章小結(jié)
第五章 SDS:半監(jiān)督異常檢測中OCSVM的超參數(shù)選擇
    5.1 引言
    5.2 相關(guān)工作
    5.3 基于自適應(yīng)數(shù)據(jù)移動的OCSVM超參數(shù)選擇方法
        5.3.1 研究動機:基于自適應(yīng)數(shù)據(jù)移動的偽數(shù)據(jù)生成
        5.3.2 基于負移動的偽異常數(shù)據(jù)生成
        5.3.3 基于正移動的偽正常數(shù)據(jù)生成
        5.3.4 整體算法流程以及時間復(fù)雜度
    5.4 實驗結(jié)果與分析
        5.4.1 實驗設(shè)定與評價標準
        5.4.2 二維合成數(shù)據(jù)集上的結(jié)果
        5.4.3 公共測試數(shù)據(jù)集上的結(jié)果
        5.4.4 在MNIST數(shù)據(jù)集上的結(jié)果
    5.5 本章小結(jié)
第六章 高比例異常下的無監(jiān)督異常檢測方法研究
    6.1 引言
    6.2 相關(guān)工作
    6.3 基于矩陣低秩的高效無監(jiān)督異常檢測
        6.3.1 高比例異常問題
        6.3.2 基于矩陣低秩逼近的無監(jiān)督異常檢測框架
        6.3.3 LEOD-basic
        6.3.4 LEOD-fast
        6.3.5 LEOD算法整體流程和收斂性證明
    6.4 實驗結(jié)果與分析
        6.4.1 實驗設(shè)定與評價標準
        6.4.2 實驗參數(shù)設(shè)定
        6.4.3 實驗結(jié)果
        6.4.4 討論
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 工作展望
致謝
參考文獻
作者在學(xué)期間取得的學(xué)術(shù)成果
附錄A 二維合成數(shù)據(jù)集上的決策邊界對比(MST-GEN)
附錄B 二維合成數(shù)據(jù)集上的決策邊界對比(SDS)
附錄C LEOD的超參數(shù)敏感性分析及性能詳細對比



本文編號：3854564