典型文献
利用注意力机制的多示例学习视频异常检测
文献摘要：
视频异常检测旨在检测视频中的表观异常和运动异常,多示例学习(Multiple Instance Learning,MIL)是目前较先进的弱监督视频异常检测方法,但是MIL提取的C3D特征不能同时描述视频中表观和运动信息,这导致异常检测性能较低.本文提出了利用注意力机制的多示例学习视频异常检测算法(A-MIL),首先提取视频数据的三维特征C3D和光流特征图,并利用Conv-AE提取光流图的特征向量,然后输入至3层全连接神经网络中得到每个示例每种特征的异常分数,接着通过注意力机制获取特征的权重参数,得到最终的示例分数,最后利用改进的MIL排序算法进行模型训练并设置阈值,测试时将异常分数与阈值相比较以判断异常.在公开数据集UCF-Crime上的实验结果表明,本文方法的AUC指标提升了 2.79％.
文献关键词：
弱监督;多示例学习;异常检测;注意力机制;视频分析
中图分类号：
作者姓名：
魏思倩;吉根林;许振;刘宇杰
作者机构：
南京师范大学计算机与电子信息学院,南京210023
文献出处：
引用格式：
[1]魏思倩;吉根林;许振;刘宇杰-.利用注意力机制的多示例学习视频异常检测)[J].小型微型计算机系统,2022(12):2575-2579
A类：
B类：
注意力机制,多示例学习,视频异常检测,Multiple,Instance,Learning,MIL,弱监督,异常检测方法,C3D,运动信息,检测性能,检测算法,视频数据,三维特征,光流,特征图,Conv,AE,特征向量,全连接神经网络,排序算法,模型训练,设置阈值,公开数据集,UCF,Crime,指标提升,视频分析
AB值：
0.361625
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
