改进时空图卷积网络的视频异常检测方法

TP391; 为了对异常事件中对象的时空相互作用进行精准捕捉,提出一种改进时空图卷积网络的视频异常检测方法.在图卷积网络中引入条件随机场,利用其对帧间特征关联性的影响,对跨帧时空特征之间的相互作用进行建模,以捕捉其上下文关系.在此基础上,以视频段为节点构建空间相似图和时间依赖图,通过二者自适应融合学习视频时空特征,从而提高检测准确性.在UCSD Ped2、ShanghaiTech和IITB-Corridor三个视频异常事件数据集上进行了实验,帧级别AUC值分别达到97.7%、90.4%和86.0%,准确率分别达到96.5%、88.6%和88.0%....

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 51; no. 5; pp. 中插4 - 53
Main Authors 张红民, 颜鼎鼎, 田钱前
Format Journal Article
LanguageChinese
Published 重庆理工大学电气与电子工程学院,重庆 400054 2024
Subjects
graph convolutional network
conditional random field
条件随机场
图卷积网络
video anomaly detection
视频异常检测
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2024.240034

Cover

More Information
Summary:TP391; 为了对异常事件中对象的时空相互作用进行精准捕捉,提出一种改进时空图卷积网络的视频异常检测方法.在图卷积网络中引入条件随机场,利用其对帧间特征关联性的影响,对跨帧时空特征之间的相互作用进行建模,以捕捉其上下文关系.在此基础上,以视频段为节点构建空间相似图和时间依赖图,通过二者自适应融合学习视频时空特征,从而提高检测准确性.在UCSD Ped2、ShanghaiTech和IITB-Corridor三个视频异常事件数据集上进行了实验,帧级别AUC值分别达到97.7%、90.4%和86.0%,准确率分别达到96.5%、88.6%和88.0%.
ISSN:1003-501X
DOI:10.12086/oee.2024.240034