基于深度学习的异常行为检测技术及其应用

发布时间：2021-06-24 10:21

　　随着计算机计算能力的提高和相关数据集的愈加丰富,深度学习在计算机视觉领域的图像分类、语义分割、目标检测等任务上取得了巨大的成功。在视频动作识别任务中,一些主流的卷积神经网络架构已经取得了良好的性能。但是这些常用的网络结构不能很好的学习视频中的上下文信息和视觉属性,这就使得这些深度学习算法对视频图像中具有重要影响作用的区域或信息建模不足。另外动作在视频中的发生时间是不固定的,如何有效地将网络的注意力放到有动作的区域,这一个需要视频动作识别中解决的问题,本文针对基于视频的人体行为识别方法中出现的一些问题进行研究,论文的主要研究内容包括:首先,为了准确检测视频中的异常行为,本文提出了一种基于生成对抗网络的模型。模型首先通过一个生成器对未来的帧进行预测,然后通过判别器将生成的预测帧和真实的帧进行比对,根据比对的结果判断是否出现了异常行为。但是生成对抗网络的训练难度较大,并且生成的图像有时候会出现失真严重,这就导致图像的生成失去了意义,更严重的是会出现模型崩溃的现象。所以本文采用了Wasserstein生成对抗网络,另外考虑原始生成对抗网络的固有缺点,模型仍然无法达到非常好的效果,所以特地引入了... 

【文章来源】：南京邮电大学江苏省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

LeNet层级结构

图 2.1 LeNet 层级结构et-5 网络模型包含了深度学习中的基本模块：卷积层、池化层和全连接层，这些他深度学习模型的基础。LeNet-5 网络共有 7 层网络结构，每层都包含了多个可层有多个特征图，输入特征由卷积滤波器提取，每个特征图都有多个神经元，片作为数据并通过反向传播算法训练整个神经网络。操作是整个 CNNs 网络中核心操作。卷积操作过程可以用如下的公式进行表示 ( )( ) = ( ) ( ) πππ ( ) = ( ( ) ) （ k 指的是第 k 层的卷积层，i 表示卷积核的第 i 行，j 表示卷积核的第 j 列，n 表元素的数量，W 表示卷积核。卷积过程如图 2.2 所示：

学位硕士研究生学位论文 第二章 相用卷积核将上层输出中的低级特征组合成更高级的特征。输入是 作就变成了 3×3 的 feature map，其中步长为 1，卷积核为 3×3。ng)的本质是“对局部信息的总结”，常见的池化极大池化和平均池x Pooling)会输出接收到的所有输入中的最大值；而平均池化(Ave的所有输入的均值。似于卷积过程，池化和卷积都是布局视野对输入信息的转换，只而池化过程做的是极大或者平均运算。极大池化的操作如下图 2


本文编号：3246909