文档名：采用元学习的弱监督视频异常检测方法
摘要：针对现有弱监督类异常检测方法只考虑准确性而忽略对未知场景的泛化能力,导致模型转移到新场景时性能不佳的问题,提出了一种基于元学习的弱监督视频异常检测方法.该方法的核心思想是通过元学习训练一个自适应模型,通过设计多个任务使模型快速适应新的场景.构建了一个两阶段的视频异常检测框架.在内循环阶段,通过减少任务内部损失函数提高基础检测器的检测精度;在外循环阶段,使模型适应不同任务,提高模型的内部表示能力,使其易于在新的场景中快速微调.所提出方法可在不降低已有模型准确性的前提下提高模型对未知场景的泛化能力,大幅减少模型转移新场景时的迭代次数与训练时间.在UCF-Crime数据集、XD-Violence数据集和UCSDPed2数据集上的实验结果表明,新方法的训练迭代轮数分别降低到105、125和135.
Abstract：Videoanomalydetectionusuallyinvolvesmanyunknownscenarios,andcurrentweaksupervisionmethodsonlyconsidertheaccuracyofanomalydetectionandignorethegeneralizationabilityofunknownscenarios,resultinginpoorperformancewhenthemodelistransferredtoanewscenario.Toaddressthegeneralizationproblemofthemodel,thispaperproposesameta-learningbasedmethod.Thecoreideaofthemethodistolearnanadaptivemodelthroughmeta-learningandmakethenewmodeladapttoanewscenarioquicklybydesigningmultipletasks.Thismethodbuildsatwo-stagevideoanomalydetectionframework.Intheinnerphase,thedetectionaccuracyofthebasicdetectorisimprovedbyreducingtheinternallossfunctionofthetask.Intheouterloopphase,themodelisadaptedtodifferenttasksandtheinternalrepresentationofthemodelisimproved,sothatitiseasytofine-tunequicklyinnewscenarios.Thenewmethodimprovesthegeneralizationabilityofthemodeltounseenscenarioswithoutreducingtheaccuracyoftheexistingmethod,andgreatlyreducesthenumberofiterationsandtrainingtimewhenthemodeltransferstothenewscenarios.ThenumberoftrainingiterationsonUCF-Crimedataset,XD-ViolencedatasetandUCSDPed2datasetisreducedto105,125and135roundsrespectively.
作者：张红民 栾小虎 粟建顺 颜鼎鼎 Author：ZHANGHongmin LUANXiaohu SUJianshun YANDingding
作者单位：重庆理工大学两江国际学院,重庆401135;重庆理工大学电气与电子工程学院,重庆400054重庆理工大学两江国际学院,重庆401135重庆理工大学电气与电子工程学院,重庆400054
刊名：重庆理工大学学报 PKU
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2024, 38(7)
分类号：TP391
关键词：视频异常检测 元学习 弱监督学习
Keywords：videoanomalydetection meta-learning weaklysupervisedlearning
机标分类号：TP391.41TP183O657.33
在线出版日期：2024年6月24日
基金项目：重庆市自然科学基金面上项目，重庆市自然科学基金面上项目，重庆市自然科学基金面上项目，重庆市教委科学技术研究项目采用元学习的弱监督视频异常检测方法[
期刊论文] 重庆理工大学学报--2024, 38(7)张红民 栾小虎 粟建顺 颜鼎鼎针对现有弱监督类异常检测方法只考虑准确性而忽略对未知场景的泛化能力,导致模型转移到新场景时性能不佳的问题,提出了一种基于元学习的弱监督视频异常检测方法.该方法的核心思想是通过元学习训练一个自适应模型,通过设...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
采用元学习的弱监督视频异常检测方法 Weakly supervised video anomaly detection method based on meta-learning
采用元学习的弱监督视频异常检测方法.pdf
- 文件大小:
- 3.24 MB
- 下载次数:
- 60
-
高速下载
|
