【技术实现步骤摘要】
本专利技术属于智能视频处理，具体涉及基于元学习和时空关系的未来帧异常检测方法。
技术介绍
1、随着监控设备的普及以及人们对社会公共安全的广泛关注，视频异常检测即识别视频序列中的异常事件或行为，逐渐成为计算机视觉领域的研究热点。自动编码器是一种流行的视频异常检测方法。研究人员通常采用ae对历史帧的正常模式进行建模，并重建当前帧或预测即将到来的帧。由于模型仅使用正常数据进行训练，因此异常输入的预测误差预计会高于正常对应输入的预测误差。此前，许多方法都是基于这种假设进行异常检测。然而，这个假设并不总是成立。这使得视频异常检测仍然极具挑战性：一方面，现有方法依赖大量的正常训练数据来对共享的正常模式进行建模。这些模型很容易面临“过度概括”的困境，由于卷积神经网络强大的表示能力，所有视频帧都可以被很好地预测，无论它们是正常的还是异常的。值得注意的是，基于编码器-解码器结构的一个潜在限制是解码器在解码时仅聚焦于预测未来帧和输入视频帧视觉特征之间的对应关系，而正常样本中的同一目标对象可能出现在多个具有相似但不相同上下文信息的场景中，可能会导致异常样本被...
【技术保护点】
1.基于元学习和时空关系的未来帧异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于元学习和时空关系的未来帧异常检测方法，其特征在于，在元学习模块中，正常行为特征集合被定义为：
3.根据权利要求2所述的基于元学习和时空关系的未来帧异常检测方法，其特征在于，在查询的过程中，来自AE编码图的输入编码向量被用作查询来检索原型池中的相关项，以重建正态编码fφ(x)，将查询集编码为fφ′(x)：
4.根据权利要求3所述的基于元学习和时空关系的未来帧异常检测方法，其特征在于，未来帧预测：通过修改U-Net以进行未来帧预测，在U...
【技术特征摘要】
1.基于元学习和时空关系的未来帧异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于元学习和时空关系的未来帧异常检测方法，其特征在于，在元学习模块中，正常行为特征集合被定义为：
3.根据权利要求2所述的基于元学习和时空关系的未来帧异常检测方法，其特征在于，在查询的过程中，来自ae编码图的输入编码向量被用作查询来检索原型池中的相关项，以重建正态编码fφ(x)，将查询集编码为fφ′(x)：
4.根据权利要求3所述的基于元学习和时空关系的未来帧异常检测方法，其特征在于，未来帧预测：通过修改u-net以进行未来帧预测，在u-net网络中，引入注意力模块学习输入图像的时空关系...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。