公开(公告)号：CN120088707A

公开(公告)日：2025-06-03

申请号：CN202510254750.X

申请日：2025-03-05

Applicant: 西北工业大学 ,  西北工业大学太仓长三角研究院

Inventor： 孟维华 ,  曹聪琦 ,  闵令通 ,  李枭扬 ,  侍佼

IPC: G06V20/40 ,  G06V10/764 ,  G06V10/82 ,  G06V10/52 ,  G06V10/62 ,  G06V10/80 ,  G06V10/762 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/0464

Abstract: 本发明公开了一种基于多尺度Transformer序列模型的视频分析方法，包括：S1、获取待检测视频数据；S2、将所述待检测视频数据输入至预先训练好的弱监督视频异常检测模型以进行检测得到异常检测结果。本发明的基于多尺度Transformer序列模型的视频分析方法通过聚类中心实现更精准的正常与异常分类指导，并通过对比损失机制，拉近同类聚类中心与视频特征的距离，同时远离不同类特征，显著提升特征的区分能力，增强类内一致性和类间差异性。此外，通过结合两种互补的预训练特征，更完善地融合时空信息与物体共现信息，减小预训练阶段对原始视频表征的偏差。

公开(公告)号：CN120088706A

公开(公告)日：2025-06-03

申请号：CN202510254546.8

申请日：2025-03-05

Applicant: 西北工业大学 ,  西北工业大学太仓长三角研究院

Inventor： 孟维华 ,  曹聪琦 ,  闵令通 ,  李枭扬 ,  侍佼

IPC: G06V20/40 ,  G06V10/40 ,  G06V10/62 ,  G06V10/80 ,  G06V10/82 ,  G06V10/764 ,  G06V10/762 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/045

Abstract: 本发明公开了一种基于OPEN‑VCLIP模型的视频异常检测方法，包括：读取训练视频，利用Inflated 3D编码器作为特征提取网络提取训练视频的时空特征以及利用OPEN‑VCLIP模型作为特征提取网络提取训练视频的物品外观特征；将所述时空特征和所述物品外观特征进行融合，得到同时包含时序关系、物体共现关系的预训练视频特征；依次输入所述预训练视频特征至自适应图卷积网络得到异常预测得分，并对中间层特征应用跨批聚类策略得到正常视频的聚类中心以及异常视频的聚类中心；根据所述正常聚类中心、所述异常聚类中心和异常预测得分代入预设损失函数以使损失值达到预设阈值时停止训练得到训练好的弱监督视频异常检测模型；将所述待检测视频数据输入至训练好的弱监督视频异常检测模型以进行检测得到异常检测结果。

公开(公告)号：CN119888577A

公开(公告)日：2025-04-25

申请号：CN202510087713.4

申请日：2025-01-20

Applicant: 西北工业大学

Inventor： 曹聪琦 ,  余雅婷 ,  孟维华 ,  张艳宁

IPC: G06V20/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/084 ,  G06N3/0985

Abstract: 本申请公开了基于跨批元优化和高斯自集成的开放词汇行为识别方法、装置、介质和设备，通过获取待处理视频帧序列；利用预训练的开放词汇行为识别模型中处理所述待处理视频帧序列，得到识别后的行为；输出识别后的行为；本申请在对视频学习模型进行视频微调过程中引入跨批元优化方法以及对模型参数进行高斯自集成，高效促进视频模型从“已知”到“开放”的通用性提升以及从“图像”到“视频”信息的去偏增强，以实现更鲁棒的通用性。

公开(公告)号：CN118736258A

公开(公告)日：2024-10-01

申请号：CN202410920378.7

申请日：2024-07-10

Applicant: 西北工业大学

Inventor： 曹聪琦 ,  徐珩博 ,  孟维华 ,  吕勤毅 ,  张艳宁

IPC: G06V10/762 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/0895 ,  G06V20/40 ,  G06V10/74 ,  G06V10/80

Abstract: 一种基于对比聚类策略的弱监督视频异常检测方法，利用预先训练好的弱监督视频异常检测模型进行视频异常检测，包括：提取训练视频的时空特征与物品外观特征并进行融合，得到训练视频特征，输入自适应图卷积网络中，通过自适应图卷积网络得到异常预测得分，对自适应图卷积网络输出的中间层特征利用跨批聚类模块，得到正常聚类中心和异常聚类中心；利用聚类中心及异常预测得分，通过对比聚类提高训练视频中的候选特征与相应类别的聚类中心之间的相似性和候选特征与相反类别的聚类中心之间的可分性，通过迭代的总损失函数进一步提升弱监督视频异常检测模型的判别能力；解决了现有技术中学习到的特征判别能力不足和预训练特征对原始视频的表征不全面的问题。