智能异常检测及其应用
发布时间：2023-10-16 20:06
在机器学习/数据挖掘的众多研究分支中,异常检测一直是最为重要并且最具有挑战性的课题之一,其也被称为单类别分类/新奇点检测/离群点检测等。具体来说,异常检测致力于从一个数据集合中检测出与观测到的数据常见行为最为不相符的那些异乎寻常的数据模式,换言之,其将数据分类为正常类别和异常类别。异常检测有着非常广泛的应用领域,例如网络入侵检测、欺诈检测、工业故障检测以及智能图像视频处理与理解等。与传统的分类问题相比,异常检测更具有挑战性,且其到现在仍然是一个研究的热点,而本文的工作也将聚焦于此问题。本文的工作可以归纳如下:(1)针对拥挤场景下的有监督视频异常事件检测问题,本文提出了一种基于新型底层时空特征算子和单类别极限学习机的方法。视频异常事件检测是异常检测在计算机视觉中的一个具有巨大潜在应用价值的新应用,在有监督的设定下,其任务是在给定只包含正常视频事件的训练视频序列的情况下自动检测并定位监控视频中发生的异常事件。同时,拥挤场景则是视频异常事件检测面临的主要挑战之一,其会使包含目标检测、跟踪在内的经典高语义层次视频处理方法都失效。我们方法的主要贡献如下:首先,我们设计了两种新颖的底层时空特征算子...
【文章页数】：216 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及研究意义
1.1.1 异常检测的背景及定义
1.1.2 异常检测的应用领域
1.2 国内外研究现状
1.2.1 常见异常检测技术
1.2.2 异常检测面临的挑战
1.3 研究内容
1.4 研究成果
1.5 论文结构
第二章 拥挤场景下的有监督视频异常事件检测
2.1 引言
2.2 相关工作
2.2.1 有监督的视频异常事件检测
2.2.2 视频事件表示
2.2.3 正常视频事件建模
2.2.4 极限学习机
2.3 视频帧预处理
2.4 基于局部运动的时空特征算子设计
2.4.1 基于一致局部梯度模式的光流算子
2.4.2 空间局部化光流直方图算子
2.5 基于单类别超限学习机的正常事件建模
2.6 实验结果与分析
2.6.1 数据集
2.6.2 评价准则
2.6.3 参数设定
2.6.4 实验结果
2.7 本章小结
第三章 无监督视频异常事件检测
3.1 引言
3.2 相关工作
3.2.1 无监督设定下的视频异常事件检测
3.2.2 基于自编码器的视频异常事件检测
3.3 研究动机
3.4 两阶段无监督视频异常事件检测
3.4.1 视频预处理
3.4.2 第一阶段:视频正常事件估计
3.4.3 第二阶段:视频正常事件的精细建模
3.5 实验结果与分析
3.5.1 数据集与评价准则
3.5.2 实验参数设定
3.5.3 实验结果
3.5.4 讨论:单阶段与两阶段无监督视频异常事件检测
3.5.5 实验结果可视化
3.6 本章小结
第四章 MST-GEN:一种半监督异常检测超参数选择框架
4.1 引言
4.2 相关工作
4.2.1 经典超参数选择方法
4.2.2 单类别分类器超参数选择方法
4.3 MST-GEN
4.3.1 n轮最小生成树
4.3.2 伪异常数据生成
4.3.3 伪正常数据生成
4.3.4 MST-GEN完整算法流程和时间复杂度
4.4 实验结果与分析
4.4.1 评价标准
4.4.2 实验设定和实现
4.4.3 实验结果
4.4.4 讨论
4.5 本章小结
第五章 SDS:半监督异常检测中OCSVM的超参数选择
5.1 引言
5.2 相关工作
5.3 基于自适应数据移动的OCSVM超参数选择方法
5.3.1 研究动机:基于自适应数据移动的伪数据生成
5.3.2 基于负移动的伪异常数据生成
5.3.3 基于正移动的伪正常数据生成
5.3.4 整体算法流程以及时间复杂度
5.4 实验结果与分析
5.4.1 实验设定与评价标准
5.4.2 二维合成数据集上的结果
5.4.3 公共测试数据集上的结果
5.4.4 在MNIST数据集上的结果
5.5 本章小结
第六章 高比例异常下的无监督异常检测方法研究
6.1 引言
6.2 相关工作
6.3 基于矩阵低秩的高效无监督异常检测
6.3.1 高比例异常问题
6.3.2 基于矩阵低秩逼近的无监督异常检测框架
6.3.3 LEOD-basic
6.3.4 LEOD-fast
6.3.5 LEOD算法整体流程和收敛性证明
6.4 实验结果与分析
6.4.1 实验设定与评价标准
6.4.2 实验参数设定
6.4.3 实验结果
6.4.4 讨论
6.5 本章小结
第七章 总结与展望
7.1 工作总结
7.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果
附录A 二维合成数据集上的决策边界对比(MST-GEN)
附录B 二维合成数据集上的决策边界对比(SDS)
附录C LEOD的超参数敏感性分析及性能详细对比
本文编号：3854564
【文章页数】：216 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及研究意义
1.1.1 异常检测的背景及定义
1.1.2 异常检测的应用领域
1.2 国内外研究现状
1.2.1 常见异常检测技术
1.2.2 异常检测面临的挑战
1.3 研究内容
1.4 研究成果
1.5 论文结构
第二章 拥挤场景下的有监督视频异常事件检测
2.1 引言
2.2 相关工作
2.2.1 有监督的视频异常事件检测
2.2.2 视频事件表示
2.2.3 正常视频事件建模
2.2.4 极限学习机
2.3 视频帧预处理
2.4 基于局部运动的时空特征算子设计
2.4.1 基于一致局部梯度模式的光流算子
2.4.2 空间局部化光流直方图算子
2.5 基于单类别超限学习机的正常事件建模
2.6 实验结果与分析
2.6.1 数据集
2.6.2 评价准则
2.6.3 参数设定
2.6.4 实验结果
2.7 本章小结
第三章 无监督视频异常事件检测
3.1 引言
3.2 相关工作
3.2.1 无监督设定下的视频异常事件检测
3.2.2 基于自编码器的视频异常事件检测
3.3 研究动机
3.4 两阶段无监督视频异常事件检测
3.4.1 视频预处理
3.4.2 第一阶段:视频正常事件估计
3.4.3 第二阶段:视频正常事件的精细建模
3.5 实验结果与分析
3.5.1 数据集与评价准则
3.5.2 实验参数设定
3.5.3 实验结果
3.5.4 讨论:单阶段与两阶段无监督视频异常事件检测
3.5.5 实验结果可视化
3.6 本章小结
第四章 MST-GEN:一种半监督异常检测超参数选择框架
4.1 引言
4.2 相关工作
4.2.1 经典超参数选择方法
4.2.2 单类别分类器超参数选择方法
4.3 MST-GEN
4.3.1 n轮最小生成树
4.3.2 伪异常数据生成
4.3.3 伪正常数据生成
4.3.4 MST-GEN完整算法流程和时间复杂度
4.4 实验结果与分析
4.4.1 评价标准
4.4.2 实验设定和实现
4.4.3 实验结果
4.4.4 讨论
4.5 本章小结
第五章 SDS:半监督异常检测中OCSVM的超参数选择
5.1 引言
5.2 相关工作
5.3 基于自适应数据移动的OCSVM超参数选择方法
5.3.1 研究动机:基于自适应数据移动的伪数据生成
5.3.2 基于负移动的伪异常数据生成
5.3.3 基于正移动的伪正常数据生成
5.3.4 整体算法流程以及时间复杂度
5.4 实验结果与分析
5.4.1 实验设定与评价标准
5.4.2 二维合成数据集上的结果
5.4.3 公共测试数据集上的结果
5.4.4 在MNIST数据集上的结果
5.5 本章小结
第六章 高比例异常下的无监督异常检测方法研究
6.1 引言
6.2 相关工作
6.3 基于矩阵低秩的高效无监督异常检测
6.3.1 高比例异常问题
6.3.2 基于矩阵低秩逼近的无监督异常检测框架
6.3.3 LEOD-basic
6.3.4 LEOD-fast
6.3.5 LEOD算法整体流程和收敛性证明
6.4 实验结果与分析
6.4.1 实验设定与评价标准
6.4.2 实验参数设定
6.4.3 实验结果
6.4.4 讨论
6.5 本章小结
第七章 总结与展望
7.1 工作总结
7.2 工作展望
致谢
参考文献
作者在学期间取得的学术成果
附录A 二维合成数据集上的决策边界对比(MST-GEN)
附录B 二维合成数据集上的决策边界对比(SDS)
附录C LEOD的超参数敏感性分析及性能详细对比
本文编号：3854564
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3854564.html
