CN111931587B - 基于可解释时空自编码器的视频异常检测方法 - Google Patents
基于可解释时空自编码器的视频异常检测方法 Download PDFInfo
- Publication number
- CN111931587B CN111931587B CN202010678292.XA CN202010678292A CN111931587B CN 111931587 B CN111931587 B CN 111931587B CN 202010678292 A CN202010678292 A CN 202010678292A CN 111931587 B CN111931587 B CN 111931587B
- Authority
- CN
- China
- Prior art keywords
- interpretable
- convolution
- encoder
- mask
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000005856 abnormality Effects 0.000 claims abstract description 3
- 238000013136 deep learning model Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 12
- 238000001994 activation Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于可解释时空自编码器的视频异常检测方法，包括对视频进行预处理的步骤；对处理后的数据进行特征学习的步骤,其中,所述特征学习包括基于可解释时空自编码器的深度学习模型,并获取重构视频序列；对重构的视频序列进行规则性分数计算的步骤；将计算的规则性分数与预定义的阈值进行比较,判断是否发生异常的步骤，本发明将深度学习的可解释性方法与异常检测方法相结合，大幅提升了视频异常检测的可信度。
Description
技术领域
本发明属于视频处理技术领域，涉及一种对视频进行异常检测的方法，具体是一种基于可解释时空自编码器的视频异常检测方法。
背景技术
随着视频监控设备的日益普及和人们对安防工作的日益重视，对于监控视频的分析，尤其是对视频中异常事件或行为的自动检测的需求越来越迫切。
近年来，已经有许多研究人员在本领域内作出了贡献。比如，Xuet等人提出了一个用于异常事件检测的深度模型，该模型使用堆叠式自编码器进行特征学习，使用线性分类器进行事件分类。Tian Wang等人提出了一种基于视频流的算法来检测异常事件，该算法是基于光流描述符的方向直方图和一类支持向量机SVM(Support Vector Machines)分类器，并且在大量数据上证明了该算法的有效性。Mahmudul Hasan等人通过学习一个规则运动模式的生成模型(称为规则性)以解决在长视频序列中提取有效运动特征的问题。Yong SheanChong等人提出了一种有效的视频异常检测方法，该方法适用于包括拥挤场景在内的视频异常检测的时空结构。
上述方法能够在一定程度上解决异常检测的问题，但是现有技术都忽略了一个问题，即忽略了解释异常检测过程的内在逻辑。如果没有对特征学习过程的透明化处理，我们就不能完全相信结果的准确度，也不能将检测结果作为最终决策的依据。因此，需要将深度学习的可解释性(Interpretability)与异常检测方法相结合，大幅提升异常检测的可信度，提升作为最终决策依据的判决结果，达到增强安防***的可靠性和准确性的目的。
发明内容
本发明的目的是提供一种视频异常检测方法，尤其涉及一种基于可解释时空自编码器的视频异常检测方法。
为达到上述目的，本发明提供如下技术方案：
一种基于可解释时空自编码器的视频异常检测方法,其特征在于,包括以下骤:
对视频进行预处理的步骤；
对处理后的数据进行特征学习的步骤,其中,所述特征学习包括基于可解释时空自编码器的深度学习模型,并获取重构视频序列；
对重构的视频序列进行规则性分数计算的步骤；
将计算的规则性分数与预定义的阈值进行比较,判断是否发生异常的步骤。
优选的，所述视频异常检测方法还包括可视化卷积核的步骤，其中，所述可视化卷积核包括计算卷积核中神经激活的感受野，并将其放大到图像分辨率。
优选的，所述基于可解释时空自编码的深度学习包括将经过预处理的视频序列先后经由空间编码器、时间自编码器和空间解码器处理，其中，所述空间编码器由至少2层可解释卷积层组成，所述时间自编码器由至少3层可解释卷积LSTM层组成，以及所述空间解码器由至少2层反卷积层组成。
优选的，所述空间编码器的2层可解释卷积层第一层设定为11*11，步长为4，含128个卷积核，第二层设定为为5*5，步长为2，含64个卷积核。
优选的，所述空间解码器的2层反卷积层第一层设定为5*5，步长为2，含128个卷积核，第二层设定为11*11，步长为4，含1个卷积核。
优选的，所述可解释卷积层和/或可解释卷积LSTM层中包含至少一个遮罩，并从至少一个遮罩中选择特定的遮罩过滤噪音激活。
优选的，所述从至少一个遮罩中选择特定的遮罩是通过计算对象部位上的最优激活位置来选择。
本公开中的方法将可解释深度学习方法运用在视频事件异常检测方法中，通过可视化卷积神经网络的表征，用卷积层中的卷积核可视化来对网络进行直接的解释，提升了异常检测结果的可信度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为现有视频异常检测方法的流程框图；
图2为本发明提供的视频异常检测方法的流程框图；
图3为本发明提供的可解释时空自编码器模型框图；
图4为本发明提供的实现可解释卷积层的方法框图。
具体实施方式
下面结合说明书附图对本发明进行进一步的说明。
如图1所示，现有的视频异常检测方法流程框图100中包括步骤框图101～107的内容。其中，步骤101中，对输入的视频进行预处理，即包括将视频分解为视频帧序列等操作，将其转换灰度，降低维数等一系列常规操作。然后将经过预处理后的视频帧输入到框103中进行特征学习，再进行如框105中的计算规则性分数和框107中的异常事件的检测等步骤。
在图2中，所示为本发明提供的基于可解释时空自编码器的异常检测方法的流程框图200。在流程的步骤框图201中，仍需要对视频数据进行预处理，将视频转换成本发明的基于可解释时空自编码器模型可接受的输入。所述对视频数据预处理包括将初始视频分解为一帧一帧的视频帧序列，比如统一将视频帧大小设置为224*224的像素，再进一步将图像转换为灰度，降低维数。在流程步骤框图203中，引入基于可解释时空自编码器的深度学习方法进行特征学习，包括通过时空自编码器获取重构视频序列以及可视化可解释卷积层中卷积核的语义，具体方法需要进一步参考图3。然后，在可选的步骤框图205中，模型训练完成后，通过计算卷积核中神经激活的Receptive Field(感受野)，然后将它放大到图像分辨率，可视化卷积核的语义。在步骤框图207中，计算视频帧的规则性分数，最后在步骤框图209处得到异常检测结果。
从图2与图1的对比可知，本发明引入了基于可解释时空自编码器的深度学习方法进行特征学习，并且可选的，将可解释卷积层中卷积核的语义进行可视化处理。
在图3中，示出了本发明提供的可解释时空自编码器模型及处理流程框图，即图2中的框203所示的特征学习方法的处理流程。图3中，时空自编码器分为框303～305的空间编码器、框307～311的时间自编码器、以及框313～315组成的空间解码器，用于特征学习并获得重构的视频序列以及可视化可解释卷积层中卷积核的语义。
首先，在步骤框图301处，输入视频序列。视频序列首先通过空间自编码器，空间编码器由至少两层可解释卷积层303和305构成，通过对普通卷积层添加mask以及对卷积核设定特定的损失函数，将卷积核变为可解释的卷积层，具体细节见图4。第一层可解释卷积层303的尺寸可以设定为11*11，步长为4，包含128个卷积核，第二层可解释卷积层305的尺寸可以设定为5*5，步长为2，包含64个卷积核。通过可解释卷积层学习视频序列的空间特征后，接着将编码的空间结构输入时间自编码器中。
在时间自编码器内，可采用3层可解释卷积LSTM层307～311生成空间特征图。此处的3层可解释卷积LSTM相比普通的全连接LSTM模型，加上了卷积操作，只需要更少的权重，就可以得出更好的空间特征图。最后，将空间特征图通过空间解码器即两层反卷积层313～315重构视频序列，两层反卷积层中第一层313的尺寸是5*5，步长为2，包含128个卷积核，而第二层315的尺寸则为11*11，步长为4，只有一个卷积核。到此，模型训练的过程结束。
输入需要测试的视频帧到训练完成的模型中，就可以通过得到的重构视频序列结合初始的输入帧，并进一步计算规则性分数。计算规则性分数的内容可按照现有技术进行。具体计算规则性分数可如下操作：
计算视频序列第t帧中像素在位置(x,y)处的强度值I的重构误差：
e(x,y,t)＝‖I(x,y,t)–fw(i(x,y,t))‖2
其中，fw是时空自编码器的学习模型。
此公式计算了一个像素点的误差，而帧的重构误差是所有的像素点误差的总和，所以我们通过求和的方式将所有像素点的重构误差相加得到当前帧的重构误差。
e(t)＝∑(x,y)e(x,y,t)
最后计算每一帧的规则性得分，
其中，mint e(t)表示在测试视频中的重构误差最小的一帧，maxt e(t)表示在测试视频中重构误差最大的一帧，通过这种操作可以将重构误差转化得到的规则性分数限制在为0-1范围内，并且设定合适的阈值，当图像序列的规则性得分高于阈值，说明视频中出现异常行为，将发送警报提醒安保人员，防止重大异常事故发生。
参考图4，描述了本发明提供的实现可解释卷积层和可解释卷积LSTM层的方法。如图中所示，本发明的可解释卷积层和可解释卷积LSTM层与现有技术中的普通卷积层和普通卷积LSTM层相比，是在激活函数Relu层之后对普通卷积核f的特征映射X添加了一损失。X是一个n*n的矩阵，因为卷积核对应的对象部位可能在图像的不同位置，所以为卷积核f设置了n*n个模板，每个模板也是一个n*n的矩阵，它描述了特征映射X的理想激活分布，而前面所述的遮罩就是选择其中的一个模板。
因此，如图4，在深度学习的正向传播过程中(从左往右)，对输入的图像I，首先经过卷积Conv层和激活函数Relu层，后在可解释卷积层中选择一个特定的模板作为遮掩(Mask)来过滤掉来自特征映射X的噪音激活，因为卷积核f对应的对象部位可能出现在图像的任意位置，所以我们设计了n*n个模板，每个模板都是n*n的矩阵，在特征训练的时候，模型会选择一个特定的模板作为遮罩，过滤那些对此卷积核激活贡献没那么大的部位。Mask操作也支持学习过程中的梯度反向传播。而在反向传播中，卷积核的损失(Loss forfilter)会推动自身表征一个种类的具体对象部位，而对其他种类的图像沉默。因此，可解释卷积层中的卷积核就只表示了一个特定的对象部分，而不是由图像的多个对象部位共同激活，这样就减少了卷积核激活的歧义性，极大地提升了卷积层的解释性。可解释卷积LSTM层中也包含了许多的卷积核，所以同样对其中的卷积核采取类似的操作，将其转变为可解释卷积核，从而增加卷积LSTM的解释性。
对于卷积核损失计算如下：
卷积核f的损失值可以表示为特征映射X和模板T的互信息。其中X表示在ReLU操作之后的卷积核f的特种映射，T表示n*n+1个模板，每个模板都是一个n*n的矩阵，它描述了特征映射X的理想激活分布。先验概率p(T)被定义为一个常量。p(x|T)是一个条件释然概率，表示为特征映射X和模板T之间的适应度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于可解释时空自编码器的视频异常检测方法,其特征在于,包括以下骤:
对视频进行预处理的步骤；
对处理后的数据进行特征学习的步骤,其中,所述特征学习包括基于可解释时空自编码器的深度学习模型,并获取重构视频序列；其中，所述可解释时空自编码器包括了空间编码器、时间自编码器和空间解码器处理；并且其中，所述空间编码器由至少2层可解释卷积层组成，所述时间自编码器由至少3层可解释卷积LSTM层组成；所述可解释卷积层和可解释卷积LSTM层均为在普通卷积层和普通卷积LSTM层添加一遮罩(mask)，并对每一卷积层设定一损失函数，所述损失函数为
其中，-MI(X；T)表示为特征映射X和模板T的互信息,X表示在ReLU操作之后的卷积核的特种映射，T表示n*n+1个模板，每个模板都是一个n*n的矩阵，p(T)为一个常量，p(x|T)表示为特征映射X和模板T之间的适应度；以及所述空间解码器由至少2层反卷积层组成；其中，所述特征学习还包括可视化卷积核的步骤，所述可视化卷积核包括计算卷积核中神经激活的感受野，并将其放大到图像分辨率；
对重构的视频序列进行规则性分数计算的步骤；
将计算的规则性分数与预定义的阈值进行比较,判断是否发生异常的步骤。
2.根据权利要求1中所述的方法，其特征还在于，所述空间编码器的2层可解释卷积层第一层设定为11*11，步长为4，含128个卷积核，第二层设定为5*5，步长为2，含64个卷积核。
3.根据权利要求1中所述的方法，其特征还在于，所述空间解码器的2层反卷积层第一层设定为5*5，步长为2，含128个卷积核，第二层设定为11*11，步长为4，含1个卷积核。
4.根据权利要求1所述的方法，其特征还在于，所述可解释卷积层和/或可解释卷积LSTM层中包含至少一个遮罩，并从至少一个遮罩中选择特定的遮罩过滤噪音激活。
5.根据权利要求4所述的方法，其特征还在于，所述从至少一个遮罩中选择特定的遮罩是通过计算对象部位上的最优激活位置来选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010678292.XA CN111931587B (zh) | 2020-07-15 | 2020-07-15 | 基于可解释时空自编码器的视频异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010678292.XA CN111931587B (zh) | 2020-07-15 | 2020-07-15 | 基于可解释时空自编码器的视频异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931587A CN111931587A (zh) | 2020-11-13 |
| CN111931587B true CN111931587B (zh) | 2022-10-25 |
Family
ID=73312394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010678292.XA Active CN111931587B (zh) | 2020-07-15 | 2020-07-15 | 基于可解释时空自编码器的视频异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931587B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911930B (zh) * | 2024-03-15 | 2024-06-04 | 释普信息科技（上海）有限公司 | 一种基于智能视频监控的数据安全预警方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079539A (zh) * | 2019-11-19 | 2020-04-28 | 华南理工大学 | 一种基于异常追踪的视频异常行为检测方法 |
| CN111325347A (zh) * | 2020-02-19 | 2020-06-23 | 山东大学 | 基于可解释视觉推理模型的危险预警描述自动生成方法 |
| CN111401526A (zh) * | 2020-03-20 | 2020-07-10 | 厦门渊亭信息科技有限公司 | 一种模型通用的深度神经网络表征可视化方法和装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10846308B2 (en) * | 2016-07-27 | 2020-11-24 | Anomalee Inc. | Prioritized detection and classification of clusters of anomalous samples on high-dimensional continuous and mixed discrete/continuous feature spaces |
| CN107273880A (zh) * | 2017-07-31 | 2017-10-20 | 秦皇岛玥朋科技有限公司 | 一种基于智能视频监控的立体车库安防***及方法 |
| CN109670446B (zh) * | 2018-12-20 | 2022-09-13 | 泉州装备制造研究所 | 基于线性动态***和深度网络的异常行为检测方法 |
| CN109615019B (zh) * | 2018-12-25 | 2022-05-31 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
| WO2020142483A1 (en) * | 2018-12-31 | 2020-07-09 | Futurewei Technologies, Inc. | Explicit address signaling in video coding |
| CN109902562B (zh) * | 2019-01-16 | 2022-07-01 | 重庆邮电大学 | 一种基于强化学习的驾驶员异常姿态监测方法 |
| CN109871799B (zh) * | 2019-02-02 | 2023-03-24 | 浙江万里学院 | 一种基于深度学习的驾驶员玩手机行为的检测方法 |
| CN110889328B (zh) * | 2019-10-21 | 2023-05-30 | 大唐软件技术股份有限公司 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
| CN111008570B (zh) * | 2019-11-11 | 2022-05-03 | 电子科技大学 | 一种基于压缩-激励伪三维网络的视频理解方法 |
-
2020
- 2020-07-15 CN CN202010678292.XA patent/CN111931587B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079539A (zh) * | 2019-11-19 | 2020-04-28 | 华南理工大学 | 一种基于异常追踪的视频异常行为检测方法 |
| CN111325347A (zh) * | 2020-02-19 | 2020-06-23 | 山东大学 | 基于可解释视觉推理模型的危险预警描述自动生成方法 |
| CN111401526A (zh) * | 2020-03-20 | 2020-07-10 | 厦门渊亭信息科技有限公司 | 一种模型通用的深度神经网络表征可视化方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931587A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805015B (zh) | 加权卷积自编码长短期记忆网络人群异常检测方法 | |
| CN111680614B (zh) | 一种基于视频监控中的异常行为检测方法 | |
| CN110490863B (zh) | 基于深度学习的检测冠脉造影有无完全闭塞病变的*** | |
| Masurekar et al. | Real time object detection using YOLOv3 | |
| Chen et al. | Adaptive convolution for object detection | |
| CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
| CN110232361B (zh) | 基于三维残差稠密网络的人体行为意图识别方法与*** | |
| CN105913002B (zh) | 视频场景下在线自适应的异常事件检测方法 | |
| CN112597815A (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
| CN111784624B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
| CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
| CN113378775B (zh) | 一种基于深度学习的视频阴影检测与消除方法 | |
| CN111079539A (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
| CN111931587B (zh) | 基于可解释时空自编码器的视频异常检测方法 | |
| CN115512399A (zh) | 一种基于局部特征和轻量级网络人脸融合攻击检测的方法 | |
| Prawiro et al. | Abnormal event detection in surveillance videos using two-stream decoder | |
| CN114677349B (zh) | 编解码端边缘信息增强和注意引导的图像分割方法及*** | |
| CN117373111A (zh) | 一种基于AutoHOINet的人-物交互检测方法 | |
| Kingra et al. | LBPNet: Exploiting texture descriptor for deepfake detection | |
| CN113111945B (zh) | 一种基于变换自编码器的对抗样本防御方法 | |
| Liu et al. | A multi-stream convolutional neural network for micro-expression recognition using optical flow and evm | |
| CN113807203A (zh) | 一种基于张量分解网络的高光谱异常检测方法 | |
| CN112149596A (zh) | 一种异常行为检测方法、终端设备及存储介质 | |
| Fang et al. | An attention-based U-Net network for anomaly detection in crowded scenes | |
| CN111062408B (zh) | 一种基于深度学习的模糊车牌图像超分辨率重建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240529 Address after: 100000 Room 601, 6th floor, building 5, Lianhua yuan, Haidian District, Beijing Patentee after: Aerospace Guosheng Technology Co.,Ltd. Country or region after: China Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee before: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Country or region before: China Effective date of registration: 20240528 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TR01 | Transfer of patent right |