基于深度学习特征异常行为检测,关于免费深度论文范文在这里免费下载与阅读,为您的深度相关论文写作提供资料。
深度论文参考文献：
摘 要：已有的异常行为检测大多采用人工特征,然而人工特征计算复杂度高且在复杂场景下很难选择和设计一种有效的行为特征.为了解决这一问题,结合堆积去噪编码器和改进的稠密轨迹,提出了一种基于深度学习特征的异常行为检测方法.为了有效地描述行为,利用堆积去噪编码器分别提取行为的外观特征和运动特征,同时为了减少计算复杂度,将特征提取约束在稠密轨迹的空时体积中；采用词包法将特征转化为行为视觉词表示,并利用加权相关性方法进行特征融合以提高特征的分类能力.最后,采用稀疏重建误差判断行为的异常.在公共数据库C IAR和BOSS上对该方法进行了验证,并和其它方法进行了对比试验,结果表明了该方法的有效性.
关键词：异常行为；深度学习特征；堆积去噪编码器；特征提取；稠密轨迹
中图分类号：TP391 文献标志码：A
Abnormal Behavior Detection Based on Deep-Learned Features
WANG Jun,XIA Limin
（College of Information Science and Engineering,Central South University ,Changsha 410075,China ）
Abstract：Most existing methods of abnormal behavior detection merely use hand-crafted features to represent behavior,which may be costly. Moreover,choice and design of hand-crafted features can be difficult in the complex scene without prior knowledge. In order to solve this problem,combining the stacked denoising autoencoders （SDAE） and improved dense trajectories,a new approach for abnormal behavior detection was proposed by using deep-learned features. To effectively represent the object behavior,two SDAE were utilized to automatically learn appearance feature and motion feature,respectively,which were constrained in the space-time volume of dense trajectories to reduce the computational complexity. The vision words were also exploited to describe the behavior using the method of bag of words. In order to enhance the discriminating power of these features,a novel method was adopted for feature fusing by using weighted correlation similarity measurement. The sparse representation was applied to detect abnormal behaviors via sparse reconstruction costs. Experiments results show the effectiveness of the proposed method in comparison with other state-of-the-art methods on the public databases C IAR and BOSS for abnormal behavior detection.
Key words：abnormal behavior； deep-learned features； SDAE； feature extraction； dense trajectories
異常行为检测是智能监控系统的核心,近年来,已引起了学术界和工业界的广泛关注,并成为计算机视觉的重要研究课题.然而,场景的复杂性和异常行为的多样性,使得异常行为检测仍然是一项具有挑战性的工作.
根据所用特征,异常行为检测方法可分为两大类：基于视觉特征的异常检测和基于轨迹的异常检测.在基于物体轨迹的异常检测方面,Junejo等[1]以轨迹的位置、速度、空时曲率等作为特征,提出了基于DBN的异常行为检测.Yang等[2]提出了基于轨迹和多示例学习的局部异常检测方法.Li等[3]用三次样条曲线表示目标轨迹,提出了基于稀疏表示的异常检测方法.Mo等[4]提出了基于轨迹联合稀疏表示的异常行为检测方法.Kang等[5]用HMM表示轨迹的运动模式,提出了基于HMM的异常检测方法.然而,在目标遮挡情况下,跟踪性能明显下降,导致异常检测率低.
为了解决上述问题,采用视觉特征进行异常行为检测,如方向梯度直方图HOG,3D空时梯度,光流直方图HOF等.Saligrama等[6]利用局部空-时特征和最优决策规则进行异常检测.Nallaivarothayan[7]以光流加速度、光流梯度直方图作为特征,提出了基于MRF的异常事件检测.Wang等[8]引入加速度信息,构建混合光流方向直方图,采用稀疏编码进行异常检测.Zhang等[9]结合运动信息和外观信息进行异常检测.Mehran等[10] 利用光流特征构建社会力模型*M来表示人群行为和异常行为识别.Wang和Schmid[11]提出了基于稠密轨迹行为识别,沿着稠密轨迹提取HOG,HOF以及运动边界描述符MBH来表示行为,利用SVM进行行为识别.然而,这些视觉特征是人为设计的,很难有效地反映行为特性,并且计算复杂.
结论：关于本文可作为深度方面的大学硕士与本科毕业论文深度装机大师论文开题报告范文和职称论文论文写作参考文献下载。
斯坦福目标检测深度学习指南
随着人工智能的应用越来越广泛，目标检测的重要性也更加突出。目前，Faster R-CNN、R-FCN和SSD这三种目标检测模型是市面上最好，也是。
循概念课一般规律促深度学习真实发生
一、教学目标理解反比例函数的概念；能根据实际问题中的条件确定反比例函数的表达式；能判断一个给定函数是否为反比例函数。二、重点难点重点：。
深度学习:深度挖掘数据新经济
由于传统的机器学习算法大多是基于内存的，而TB甚至PB级的海量数据又无法装载进计算机内存，因此，现有的诸多算法不能处理大数据。如何使机器学习算法。
提升员工异常行为排查实效探查
在银行发展过程中，员工的异常行为是银行风险点之一，对员工异常行为排查可以切实做好案件风险的分析，减少可能存在的隐患。银行存在风险对银行安全以及发。