-
题名融合混合注意力的自编码器视频异常检测
被引量：3
- 1
-
-
作者
郑重
杨晓文
谢剑斌
欧阳楠楠
忽欣谕
王晋涛
-
机构
中北大学计算机科学与技术学院
中北大学机器视觉与虚拟现实山西省重点实验室
山西省视觉信息处理及智能机器人工程研究中心
湖南中科助英智能科技研究院
-
出处
《计算机工程与设计》
北大核心
2024年第2期516-523,共8页
-
基金
山西省科技重大专项计划“揭榜挂帅”基金项目(202201150401021)
国家自然科学基金项目(62106238、62272426)
+1 种基金
山西省回国留学人员科研基金项目(2020-113)
山西省科技成果转化引导专项基金项目(202104021301055)。
-
文摘
为提高视频异常检测的准确率,提出一种融合混合注意力的自编码器视频异常检测算法。针对自编码器网络强大的“泛化”能力可能重构异常行为问题,提出一种混合注意力模块(CSCFAM)并将其融合至编码器和解码器之间的跳跃连接层以限制异常行为的生成。为考虑正常样本的多样性,在编码器和解码器之间的瓶颈处引入存储记忆模块(Memory),记录正常样本潜在特征的原型模式。实验结果表明,该算法在UCSD Ped2、CUHK Avenue数据集上帧级AUC分别达到97.3%、87.0%,与当前先进的视频异常检测算法相比,异常检测能力得到有效提升。
-
关键词
视频异常检测
自编码器
跳跃连接
混合注意力模块
存储记忆模块
异常行为
原型模式
-
Keywords
video anomaly detection
autoencoder
skip connection
hybrid attention module
memory module
abnormal beha-vior
prototype pattern
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于自监督记忆自适应的振动筛状态识别方法
- 2
-
-
作者
张磊
吴雨欣
王耀泽
-
机构
国能神东煤炭集团有限责任公司
中国矿业大学(北京)人工智能学院
中国矿业大学(北京)化学与环境工程学院
-
出处
《煤炭工程》
北大核心
2023年第S01期206-212,共7页
-
文摘
振动筛作为选煤厂的核心装备,其运行环境异常恶劣且多变,获取标记的状态数据耗费时间和精力,传统方法在振筛机的运动状态识别以及泛化性方面存在不足。针对这一问题,提出了一种基于自监督记忆自适应的振筛机状态识别方法。首先,引入最大熵原理和多种数据变换方式对原始信号进行多样化分布增强。借助编码器,将处理后的特征传递至自监督学习模块和记忆存储模块。在自监督学习模块中,分别对经过多种变换的数据进行分类以及对经过掩码处理的数据进行重构,以获得更加丰富的特征表达。与此同时,通过信息熵和相似度技术,在记忆块中选取最具代表性特征项,将其与编码器提取的特征进行自适应融合。最终使用状态分类器对振筛机的运动状态进行分类。实验验证结果表明,与其他先进方法相比,该方法显著提升了状态识别的准确率,F_(1)分数超过对比方法约23.92%。
-
关键词
振动筛
最大熵
多样化分布增强
自监督学习模块
记忆存储模块
-
Keywords
vibrating screen machine
maximum entropy
diversified distribution enhancement
self-supervised learning module
memory storage module
-
分类号
TD672
[矿业工程—矿山机电]
-
