基于半监督生成式对抗网络的异常行为检测

发布时间：2024-04-07 05:10

　　针对简单的、人为规定的异常行为,对基于半监督的生成式对抗网络GANomaly进行了改进,并将其应用于视频异常行为检测。具体说来,为了使神经网络更加鲁棒,利用标签平滑可以促使网络产生更紧密的类内的聚类和更大的类别间的分离;为了防止模型崩溃并加快模型的收敛速度,在对抗训练中采用最小二乘损失函数,而不是二分类交叉熵损失函数;为使生成网络更精确地刻画行为的外观信息,在重构损失中施加强度损失和梯度损失。在含有类别标记信息的公共数据集UCSD datasets上测试和证明这一方法的稳定性和准确性,并与几个经典的异常行为检测方法和原始的GANomaly进行了对比,实验结果证明所提出的方法更适合异常检测,且进一步提高了异常行为检测模型的稳定性和准确率。

【文章页数】：7 页

【部分图文】：

图1VAE-GAN结构示意图

因此,为了改进VAE,Larsen等[9]提出了VAE-GAN的模型结构,主张使用更高层次和足够不变的图像表示来测量图像的相似性。结合自动编码思想和生成对抗思想,VAE-GAN将变分自编码器VAE和生成对抗网络GAN结合起来,并进行联合训练,使用VAE的编码器进行编码,使用GAN....

图2GANomaly模型结构示意图

如图2所示,网络结构可分为三个子网络。第一个子网络又分为编码器GE(x)和解码器GD(z),对于输入图像x经过编码器GE(x)得到特征表示z,z经过解码器GD(z)得到x的重构数据x^。第二个子网络是重构编码器E(x^),它对重构图像x^再做编码,得到重构图....

图3不同方法在UCSD数据集上的帧级ROC

本文只检测视频中是否有异常行为,所以基于UCSD中的两个子数据集使用帧级ROC进行异常行为检测效果评估。根据检测结果绘制ROC曲线,然后计算该曲线下面积AUC,AUC值越大则表示异常检测模型的准确率越高。将本文所提出的方法与原始的GANomaly[12]和另外三个异常行为检测方法....

图4不同方法在UCSDPed1、Ped2和Avenue数据集中的正常帧与异常帧之间的平均得分差

计算正常视频片段和异常视频片段的平均得分差,记为Δs,更大的Δs表示网络更能区分正常行为模式与异常行为模式。除了在UCSD上进行的验证实验,还将改进的P3DResNet与其他基于编解码的异常行为检测方法Conv-AE[25]和GANomaly在另一个人为规定了异常的数据集Ave....

本文编号：3947727