文档名：改进时空图卷积网络的视频异常检测方法
摘要：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UCSDPed2、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%.
Abstract：Animprovedspatio-temporalgraphconvolutionalnetworkforvideoanomalydetectionisproposedtoaccuratelycapturethespatio-temporalinteractionsofobjectsinanomalousevents.Thegraphconvolutionalnetworkintegratesconditionalrandomfields,effectivelymodelingtheinteractionsbetweenspatio-temporalfeaturesacrossframesandcapturingtheircontextualrelationshipbyexploitinginter-framefeaturecorrelations.Basedonthis,aspatialsimilaritygraphandatemporaldependencygraphareconstructedwithvideosegmentsasnodes,facilitatingtheadaptivefusionofthetwotolearnvideospatio-temporalfeatures,thusimprovingthedetectionaccuracy.Experimentswereconductedonthreevideoanomalyeventdatasets,UCSDPed2,ShanghaiTech,andIITB-Corridor,yieldingframe-levelAUCvaluesof97.7%,90.4%,and86.0%,respectively,andachievingaccuracyratesof96.5%,88.6%,and88.0%,respectively.
作者：张红民 颜鼎鼎 田钱前Author：ZhangHongmin YanDingding TianQianqian
作者单位：重庆理工大学电气与电子工程学院,重庆400054
刊名：光电工程 ISTICPKU
Journal：Opto-ElectronicEngineering
年，卷(期)：2024, 51(5)
分类号：TP391
关键词：视频异常检测 图卷积网络 条件随机场
Keywords：videoanomalydetection graphconvolutionalnetwork conditionalrandomfield
机标分类号：TP391TN911-34TM711
在线出版日期：2024年7月17日
基金项目：改进时空图卷积网络的视频异常检测方法[
期刊论文] 光电工程--2024, 51(5)张红民 颜鼎鼎 田钱前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...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
改进时空图卷积网络的视频异常检测方法 Improved spatio-temporal graph convolutional networks for video anomaly detection
改进时空图卷积网络的视频异常检测方法.pdf
- 文件大小:
- 5.08 MB
- 下载次数:
- 60
-
高速下载
|
|
