-
公开(公告)号：CN110263728B
公开(公告)日：2022-08-19
申请号：CN201910548528.5
申请日：2019-06-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于改进的伪三维残差神经网络的异常行为检测方法，包括以下步骤：首先，将训练集中的每个视频分割为多个视频片段；其次，将一个视频的所有视频片段分别输入改进的伪三维残差神经网络后得到它们的特征；然后，取每个片段里所有帧的特征向量的平均值，并紧接着对特征均值进行L2范数归一化，从而得到该视频片段的特征向量；最后，将视频片段的特征向量输入到一个3层的全连接神经网络，就会输出视频片段的异常得分。实验结果表明，与目前方法相比，本文所提方法进一步提高了异常行为检测的准确率，更贴合实际应用。
-
Patent Agency Ranking
公开(公告)号：CN109544600A
公开(公告)日：2019-03-29
申请号：CN201811403138.0
申请日：2018-11-23
Applicant: 南京邮电大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于上下文相关和判别相关滤波器的目标跟踪方法，包括步骤：S1、构建基于相关滤波器的端对端的跟踪网络，以所述跟踪网络为基准网络构建用于追踪跟踪对象的跟踪器；S2、利用VGG16模型的前三层卷积层生成特征图，并基于所述特征图以及上下文信息训练学习上下文相关滤波器和尺度相关滤波器；S3、结合所述上下文相关滤波器与所述特征图训练平移滤波器，以所述平移滤波器定位跟踪对象的位置；S4、基于跟踪对象的所述位置使用所述尺度相关滤波器计算跟踪对象的比例，并结合所述平移滤波器、尺度相关滤波器、特征图以及上下文信息定位下一帧中跟踪对象的位置；本发明能够有效提高目标跟踪的准确性和鲁棒性。
-
公开(公告)号：CN109727272B
公开(公告)日：2022-08-12
申请号：CN201811383638.2
申请日：2018-11-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双分支时空正则化相关滤波器的目标跟踪方法，用于基于视频中的图像帧进行追踪目标的追踪操作，所述方法包括步骤：S1、在包含外观分支网络和语义分支网络的孪生全卷积网络上添加由相关滤波器构成的相关滤波器层，实现相关滤波器与孪生全卷积网络相互之间的端对端训练学习；S2、结合所述外观分支网络和语义分支网络结合，以提升所述孪生全卷积网络在目标追踪过程中对包含追踪目标的图像帧的判别力；S3、采用时空正则化所述相关滤波器，并使用通过时空正则化的所述相关滤波器处理所述图像帧，实现对追踪目标的追踪；本发明能够有效提升跟踪精度和跟踪速度。
-
公开(公告)号：CN110705376A
公开(公告)日：2020-01-17
申请号：CN201910860850.1
申请日：2019-09-11
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于生成式对抗网络(GAN)的异常行为检测方法。本发明方法包括以下步骤：首先，搭建U-Net网络并将其作为GAN中的生成器模块，其中，不仅使用了外观(空间)约束，还引入了运动(时间)约束。其次，采用patch鉴别器(补丁鉴别器)作为GAN中的鉴别器模块。然后，交替地对生成器和鉴别器进行对抗式训练，直至鉴别器无法分辨生成的帧和真实帧。最后，通过训练好的GAN模型进行异常行为检测实验。在三个公开可用的异常检测数据集上的实验结果表明，本发明所提方法有效提高了异常行为检测的准确率。
-
公开(公告)号：CN109727272A
公开(公告)日：2019-05-07
申请号：CN201811383638.2
申请日：2018-11-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双分支时空正则化相关滤波器的目标跟踪方法，用于基于视频中的图像帧进行追踪目标的追踪操作，所述方法包括步骤：S1、在包含外观分支网络和语义分支网络的孪生全卷积网络上添加由相关滤波器构成的相关滤波器层，实现相关滤波器与孪生全卷积网络相互之间的端对端训练学习；S2、结合所述外观分支网络和语义分支网络结合，以提升所述孪生全卷积网络在目标追踪过程中对包含追踪目标的图像帧的判别力；S3、采用时空正则化所述相关滤波器，并使用通过时空正则化的所述相关滤波器处理所述图像帧，实现对追踪目标的追踪；本发明能够有效提升跟踪精度和跟踪速度。
-
公开(公告)号：CN110263728A
公开(公告)日：2019-09-20
申请号：CN201910548528.5
申请日：2019-06-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于改进的伪三维残差神经网络的异常行为检测方法，包括以下步骤：首先，将训练集中的每个视频分割为多个视频片段；其次，将一个视频的所有视频片段分别输入改进的伪三维残差神经网络后得到它们的特征；然后，取每个片段里所有帧的特征向量的平均值，并紧接着对特征均值进行L2范数归一化，从而得到该视频片段的特征向量；最后，将视频片段的特征向量输入到一个3层的全连接神经网络，就会输出视频片段的异常得分。实验结果表明，与目前方法相比，本文所提方法进一步提高了异常行为检测的准确率，更贴合实际应用。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
