針對簡單的、人為規(guī)定的異常行為,對基于半監(jiān)督的生成式對抗網絡GANomaly進行了改進,并將其應用于視頻異常行為檢測。具體說來,為了使神經網絡更加魯棒,利用標簽平滑可以促使網絡產生更緊密的類內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,在對抗訓練中采用最小二乘損失函數(shù),而不是二分類交叉熵損失函數(shù);為使生成網絡更精確地刻畫行為的外觀信息,在重構損失中施加強度損失和梯度損失。在含有類別標記信息的公共數(shù)據集UCSD datasets上測試和證明這一方法的穩(wěn)定性和準確性,并與幾個經典的異常行為檢測方法和原始的GANomaly進行了對比,實驗結果證明所提出的方法更適合異常檢測,且進一步提高了異常行為檢測模型的穩(wěn)定性和準確率。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1VAE-GAN結構示意圖

因此,為了改進VAE,Larsen等[9]提出了VAE-GAN的模型結構,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。結合自動編碼思想和生成對抗思想,VAE-GAN將變分自編碼器VAE和生成對抗網絡GAN結合起來,并進行聯(lián)合訓練,使用VAE的編碼器進行編碼,使用GAN....

圖2GANomaly模型結構示意圖

如圖2所示,網絡結構可分為三個子網絡。第一個子網絡又分為編碼器GE(x)和解碼器GD(z),對于輸入圖像x經過編碼器GE(x)得到特征表示z,z經過解碼器GD(z)得到x的重構數(shù)據x^。第二個子網絡是重構編碼器E(x^),它對重構圖像x^再做編碼,得到重構圖....

圖3不同方法在UCSD數(shù)據集上的幀級ROC

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

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

計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表示網絡更能區(qū)分正常行為模式與異常行為模式。除了在UCSD上進行的驗證實驗,還將改進的P3DResNet與其他基于編解碼的異常行為檢測方法Conv-AE[25]和GANomaly在另一個人為規(guī)定了異常的數(shù)據集Ave....

本文編號：3947727