文献类型：期刊文章

作　　者：杨静[1,2] 吴成茂[3] 周流平[1]

YANG Jing;WU Chengmao;ZHOU Liuping(School of Information Engineering,Guang Zhou Railway Ploytechnic,Guangzhou 510430,China;St.Paul University Phillippines,Tuguegarao 3500,Philippines;School of Electronic Engineering,Xi’an University of Posts and Telecommunications,Xi’an 710121,China)

机构地区：[1]广州铁路职业技术学院信息工程学院,广东广州510430 [2]菲律宾圣保罗大学,土格加劳3500 [3]西安邮电大学电子工程学院,陕西西安710121

出　　处：《通信学报》

基　　金：广东省高校青年创新人才基金资助项目(No.2020KQNCX198);广州市基础研究计划基础与应用基础研究基金资助项目(No.104267483017)。

年　　份：2023

卷　　号：44

期　　号：8

起止页码：241-250

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提升视频异常检测精度,提出一种基于全局-局部自注意力网络的视频异常检测方法。首先,融合视频序列与其对应的RGB序列凸显物体的运动变化;其次,通过膨胀卷积层捕获视频序列在局部区域的时序相关性,并利用自注意力网络计算视频全局时序的依赖性,同时,依靠增加基础网络U-Net的深度并结合相关运动和表征约束对网络模型进行端到端的训练学习,从而提升模型的检测精度和鲁棒性;最后,对公开数据集UCSD Ped2、CUHK Avenue和ShanghaiTech进行测试并对所得结果进行可视化分析。实验结果表明,所提方法的检测精度AUC值分别达到了97.4%、86.8%和73.2%,其性能明显优于对比方法。

关 键 词：视频异常检测  自注意力  预测  重构  

分 类 号：TP391.41]