资讯专栏INFORMATION COLUMN

Learning Memory-guided Normality for Anomaly Detec

since1986 / 1304人阅读

摘要:提供了广泛的实验分析与消融研究算法流程训练阶段训练阶段主要包括三个部分重建视频帧训练损失和异常得分。我们使用项目中的原型特征来表示视频帧,减少了的容量。

近日拜读了本篇论文,有以下理解:

1.问题研究背景

       检测视频序列中的异常事件(如人行道上的车辆)的问题对监控和故障检测系统尤为重要。由于一些原因,它是极具挑战性的。首先,异常事件是根据不同的情况而确定的。也就是说,同样的活动可能是正常的,也可能是不正常的(例如,在厨房或在公园里拿刀)。在这种情况下,手动注释异常事件是劳动密集型的。其次,收集异常数据集需要大量的努力,因为异常事件在现实生活中很少发生。因此,异常检测通常被认为是一个无监督的学习问题,目的在于学习一个描述常态的模型,没有异常的样本。在测试时,不被模型描述的事件和活动就被认为是异常的。

2.创新点

1、由于单一原型特征不足以表示正常数据的各种模型,所以本文使用多个原型来代表正常视频帧的不同模型,同时引入memory模块,以此记录正常数据的原型特征。

2、提出特征紧凑性和分离性损失来训练记忆,并提出一种新记忆更新方案,且仅在正常样本情况下进行更新。

3、提供了广泛的实验分析与消融研究

3.算法流程

 

3.1训练阶段

训练阶段主要包括三个部分:重建视频帧、训练损失和异常得分。

3.1.1重建视频帧

       在重建视频帧阶段,本文使用广泛用于重建和未来帧预测的U-Net架构,从输入视频帧中提取特征,并在特征中重建帧。但本文在编码器中删除了最后一层归一化和ReLU层,增加了一个L2层。

       由于单一的原型特征不足以代表正常数据的各种模式。也就是说,在正常视频帧的特征空间中存在多种原型类型(即模式或特征的中心点),本文提出了一个用于异常检测的内存模块,其中内存中的单个项目对应于正常模式的原型特征。我们使用memory项目中的原型特征来表示视频帧,减少了CNN的容量。

       首先输入正常视频帧It到编码器中,编码器进行查询特征(queries feature)的提取,这些特征被用来检索memory中的原型正常模式并更新记忆,memory模块中的items进行read和update操作,在update中,对于每个记忆项,本文选择所有被认为是最近的queries,并通过使用加权分数防止存储器在测试时记录异常样本的特征,然后把memory items和query features读取到解码器中,从而重建未来视频帧。

       详解见

Learning Memory-guided Normality for Anomaly Detection 模型介绍_m0_51951959的博客-CSDN博客
 

3.1.2 训练损失

       在训练损失阶段,本文通过对比输出It和ground truth计算出reconstruction loss,从而使解码器重建的视频帧与地面相似。

       Feature compactness loss将正常视频帧的特征映射到内存中最近的项目并鼓励queries接近memory中最近的项目,但由于所有queries都在嵌入空间内紧密映射,使得所有queries和items都相互接近,然而memory中的items应该有足够的距离,以考虑各种模式的正常数据。

       所以为了解决上述问题,同时获得紧凑的特征表示,本文提出feature separateness loss,使每个特征与其最近的项目之间的距离最小化,同时使该特征与第二个最近的项目之间的差异最大化,从而产生将item放在远处的效果,实现允许更新离queries最近的项目,同时消除第二近项目的影响,将记忆中的单个项目分开,并增强特征和记忆项目的辨别能力。

3.2测试阶段

       通过训练集数据将模型训练好以后,进行测试阶段,此时利用abnormality score对视频帧中的正常和异常程度进行量化。

详细过程见
Learning Memory-guided Normality for Anomaly Detection创新点介绍_m0_52218200的博客-CSDN博客

代码详解见

Learning Memory-guided Normality for Anomaly Detection 代码解析_Jam_in_C_major的博客-CSDN博客

本文仅作为科研研究

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/123160.html

相关文章

  • Machine Learning 机器学习笔记

    摘要:目录前言第一周第二周第三周第四周第五周第六周第七周第八周第九周第十周第十一周 showImg(https://segmentfault.com/img/bV6U8u?w=1280&h=800); 目录 前言 第一周:Welcome 1.1 What is Machine Learning? 1.2 Linear Regression with One Variable 第二周:...

    forsigner 评论0 收藏0
  • Machine Learning 机器学习笔记

    摘要:目录前言第一周第二周第三周第四周第五周第六周第七周第八周第九周第十周第十一周 showImg(https://segmentfault.com/img/bV6U8u?w=1280&h=800); 目录 前言 第一周:Welcome 1.1 What is Machine Learning? 1.2 Linear Regression with One Variable 第二周:...

    eccozhou 评论0 收藏0
  • [论文阅读] (12)英文论文引言introduction如何撰写及精句摘抄——以入侵检测系统(ID

    摘要:可能五年十年后,也会详细分享一篇英文论文如何撰写,目前主要以学习和笔记为主。下面主要以会议和期刊论文为主进行介绍,重点以入侵检测系统,领域为主。 《娜璋带你读论文》...

    zhangfaliang 评论0 收藏0
  • GAN动物园——GAN的各种变体列表

    摘要:生成对抗网络的各种变体非常多,的发明者在上推荐了这份名为的各种变体列表,这也表明现在确实非常火,被应用于各种各样的任务。了解这些各种各样的,或许能对你创造自己的有所启发。这篇文章列举了目前出现的各种变体,并将长期更新。 生成对抗网络(GAN)的各种变体非常多,GAN 的发明者 Ian Goodfellow 在Twitter上推荐了这份名为The GAN Zoo的各种GAN变体列表,这也表明现...

    tianyu 评论0 收藏0
  • GAN 论文大汇总

    摘要:在这里汇总了一个现在和经常使用的论文,所有文章都链接到了上面。如果你对感兴趣,可以访问这个专题。作者微信号简书地址是一个专注于算法实战的平台,从基础的算法到人工智能算法都有设计。加入实战微信群,实战群,算法微信群,算法群。 作者:chen_h微信号 & QQ:862251340微信公众号:coderpai简书地址:https://www.jianshu.com/p/b7f... sh...

    lifesimple 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<