針對簡單的、人為規(guī)定的異常行為,對基于半監(jiān)督的生成式對抗網(wǎng)絡(luò)GANomaly進(jìn)行了改進(jìn),并將其應(yīng)用于視頻異常行為檢測。具體說來,為了使神經(jīng)網(wǎng)絡(luò)更加魯棒,利用標(biāo)簽平滑可以促使網(wǎng)絡(luò)產(chǎn)生更緊密的類內(nèi)的聚類和更大的類別間的分離;為了防止模型崩潰并加快模型的收斂速度,在對抗訓(xùn)練中采用最小二乘損失函數(shù),而不是二分類交叉熵?fù)p失函數(shù);為使生成網(wǎng)絡(luò)更精確地刻畫行為的外觀信息,在重構(gòu)損失中施加強(qiáng)度損失和梯度損失。在含有類別標(biāo)記信息的公共數(shù)據(jù)集UCSD datasets上測試和證明這一方法的穩(wěn)定性和準(zhǔn)確性,并與幾個(gè)經(jīng)典的異常行為檢測方法和原始的GANomaly進(jìn)行了對比,實(shí)驗(yàn)結(jié)果證明所提出的方法更適合異常檢測,且進(jìn)一步提高了異常行為檢測模型的穩(wěn)定性和準(zhǔn)確率。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1VAE-GAN結(jié)構(gòu)示意圖

因此,為了改進(jìn)VAE,Larsen等[9]提出了VAE-GAN的模型結(jié)構(gòu),主張使用更高層次和足夠不變的圖像表示來測量圖像的相似性。結(jié)合自動(dòng)編碼思想和生成對抗思想,VAE-GAN將變分自編碼器VAE和生成對抗網(wǎng)絡(luò)GAN結(jié)合起來,并進(jìn)行聯(lián)合訓(xùn)練,使用VAE的編碼器進(jìn)行編碼,使用GAN....

圖2GANomaly模型結(jié)構(gòu)示意圖

如圖2所示,網(wǎng)絡(luò)結(jié)構(gòu)可分為三個(gè)子網(wǎng)絡(luò)。第一個(gè)子網(wǎng)絡(luò)又分為編碼器GE(x)和解碼器GD(z),對于輸入圖像x經(jīng)過編碼器GE(x)得到特征表示z,z經(jīng)過解碼器GD(z)得到x的重構(gòu)數(shù)據(jù)x^。第二個(gè)子網(wǎng)絡(luò)是重構(gòu)編碼器E(x^),它對重構(gòu)圖像x^再做編碼,得到重構(gòu)圖....

圖3不同方法在UCSD數(shù)據(jù)集上的幀級(jí)ROC

本文只檢測視頻中是否有異常行為,所以基于UCSD中的兩個(gè)子數(shù)據(jù)集使用幀級(jí)ROC進(jìn)行異常行為檢測效果評估。根據(jù)檢測結(jié)果繪制ROC曲線,然后計(jì)算該曲線下面積AUC,AUC值越大則表示異常檢測模型的準(zhǔn)確率越高。將本文所提出的方法與原始的GANomaly[12]和另外三個(gè)異常行為檢測方法....

圖4不同方法在UCSDPed1、Ped2和Avenue數(shù)據(jù)集中的正常幀與異常幀之間的平均得分差

計(jì)算正常視頻片段和異常視頻片段的平均得分差,記為Δs,更大的Δs表示網(wǎng)絡(luò)更能區(qū)分正常行為模式與異常行為模式。除了在UCSD上進(jìn)行的驗(yàn)證實(shí)驗(yàn),還將改進(jìn)的P3DResNet與其他基于編解碼的異常行為檢測方法Conv-AE[25]和GANomaly在另一個(gè)人為規(guī)定了異常的數(shù)據(jù)集Ave....

本文編號(hào)：3947727