融合SimAM注意力机制和双向ConvLSTM的异常检测方法

作者：袁红春; 张文凤

来源：小型微型计算机系统, 2023, 44(08): 1777-1784.

DOI：10.20009/j.cnki.21-1106/TP.2021-0986

• 异常检测
• 视频监控
• 自编码器
• 残差网络
• 注意力机制

由于传统的监控视频异常检测和定位往往存在特征选择困难、特征学习不足、泛化性差等问题，本文提出一种融合SimAM注意力机制(A Simple, Parameter-Free Attention Module)和双向ConvLSTM(bidirectional convolutional long short-term memory, BiConvLSTM)的深度残差时空自编码器模型(SimAM Based Residual BiConvLSTM Autoencoder, RS-BCAE)用于捕获视频异常.使用堆叠卷积和双向ConvLSTM捕获时空特征，利用交替反卷积和卷积的特征图增强方法优化网络结构.本文设计一种融合R-STAE(Residual Spatiotemporal Autoencoder)残差模块和SimAM注意力机制的残差网络，SimAM注意力机制无需添加额外参数，利用能量函数为特征图生成三维注意力权重，使CNN(Convolutional Neural Network)专注于提取视频帧序列的显著区域特征.为了联合全局特征和关键特征，本文为残差模块引入跳跃连接.实验结果表明，RS-BCAE在数据集UCSD-Ped1和UCSD-Ped2上的帧级准确率分别为86.5%和94%,优于最新的重构模型精度.

• 单位
  上海海洋大学