公开(公告)号：CN119091358A

公开(公告)日：2024-12-06

申请号：CN202411379598.X

申请日：2024-09-30

Applicant: 南通大学

Inventor： 汤敏 ,  杜宇龙 ,  李洪均

IPC: G06V20/40 ,  G06V10/25 ,  G06V10/762 ,  G06V10/82 ,  G06T7/246 ,  G06T7/269 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明属于智能视频处理技术领域，具体涉及一种基于对比聚类学习网络的视频异常检测方法。本发明包括以下步骤：步骤1、预处理：使用对象检测器对帧内所有对象的边界框进行定位和分类，应用运动估计器来预测每帧的光流；步骤2、对比聚类学习：使用两种视图的时空表示来执行对比聚类学习；步骤3、异常分数估计：使用密度估计对样本进行正常或异常评分，其中低估计密度表示异常。本发明利用聚类信息进行对比学习，同时挖掘正常模式的不同属性来学习细粒度特征。本发明可以有效地利用不同视图的聚类级隐藏信息。本发明提出了一个聚类散射对比损失函数来细化聚类信息，并验证了细化的聚类信息对对比学习视频异常检测框架有显著帮助。

公开(公告)号：CN119091356A

公开(公告)日：2024-12-06

申请号：CN202411225619.2

申请日：2024-09-03

Applicant: 南通大学

Inventor： 李洪均 ,  杜宇龙

IPC: G06V20/40 ,  G06V10/44 ,  G06V10/74 ,  G06V10/762 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0985

Abstract: 本发明属于智能视频处理技术领域，具体涉及基于元学习和时空关系的未来帧异常检测方法。本发明方法提出了了元学习模块，基于模型的元学习方法使得模型能够从多个任务中学习到通用的特征，系统可以从数据中学习到更具有判别性和泛化性的特征表示。不同的监控场景和异常行为时，模型也能够准确地进行异常检测，而不会出现过拟合或欠拟合的情况。本发明方法将元学习模块引入自动编码器中，利用元学习模块的学习特性，对自动编码器提取特征进行提取保存并更新的同时，通过学习自动获取提取输入视频帧的特征重要性，并为更值得关注的特征分配重要权重，这有助于在未来帧预测网络输入阶段关键特征的利用率。