典型文献
结合分层深度网络与双向五元组损失的跨模态异常检测
文献摘要：
大数据环境下的跨模态异常检测是一个非常有价值且极具挑战性的工作.针对目前已有跨模态异常检测框架对数据异常值类型检测不全面以及数据利用率较低的问题,提出了 一个结合分层深度网络与相似度双向五元组损失的跨模态异常检测方法.首先,提出的框架引入一个单视图异常检测网络层,通过模态内近邻样本相似度来检测数据样本中是否存在属性异常与部分属性-类别异常点;接着,提出基于相似度双向五元组损失的双分支深度网络用于检测数据中的类别异常与剩余部分的属性-类别异常,该损失一方面能够使不同属性数据正交化,另一方面使得相同属性数据之间线性相关,从而有效地加大了不同属性数据之间的特征差异性,以及增加了相同属性之间的特征相关性;同时,提出的双分支网络通过模态间双向约束和模态内的邻域约束,极大提高了数据利用率和模型的泛化能力.实验结果表明,所提出的框架可以全面检测出不同模态中所有的异常类型样本点,并且表现优于现有的可应用于跨模态异常检测的方法,优势明显.
文献关键词：
跨模态异常检测;分层深度网络;双向五元组损失;邻域约束;双向约束
中图分类号：
作者姓名：
范烨;彭淑娟;柳欣;崔振;王楠楠
作者机构：
华侨大学计算机科学与技术学院,福建厦门 361021;厦门市计算机视觉与模式识别重点实验室(华侨大学),福建厦门 361021;南京理工大学计算机科学与工程学院,南京 210094;综合业务网理论及关键技术国家重点实验室(西安电子科技大学),西安 710071
文献出处：
引用格式：
[1]范烨;彭淑娟;柳欣;崔振;王楠楠-.结合分层深度网络与双向五元组损失的跨模态异常检测)[J].计算机研究与发展,2022(12):2770-2780
A类：
分层深度网络,双向五元组损失,跨模态异常检测,邻域约束
B类：
大数据环境下,检测框架,数据异常,异常值,类型检测,数据利用率,异常检测方法,单视图,图异常检测,测网,网络层,近邻,检测数据,分属,异常点,余部,同属,属性数据,正交化,线性相关,特征差异性,双分支网络,双向约束,泛化能力,样本点
AB值：
0.200898
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。
