科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对异常行为检测模型中检测准确度较低，目标异常类型判断不准确等问题，提出注意力与特征融合的未来帧预测异常行为检测算法。该算法采用无监督生成对抗网络模型，通过计算真实帧和预测帧之间的误差来判断当前帧是否为异常帧。在生成网络中，以U-Net网络结构为基础，首先引入SoftPool层，减少池化过程中的信息损失；其次引入即插即用的轻量级注意力机制，增强背景信息和目标信息差，有效提升网络性能的同时不增加网络的复杂性；然后，在U-Net编码器低层构造了一种新的特征融合模块来增强图像全局信息的依赖性；最后，为了融合上下文信息，提取更丰富的特征作为输出图像，构造一种新的特征提取模块添加到网络特征图的输出部分。判别网络以马尔可夫判别器为基础，使网络更加关注图像的细节特征。实验中，采用CUHK Avenue数据集和UCSD Ped2数据集对该算法进行验证。实验结果表明，改进后的网络在CUHK Avenue数据集上检测精度达到了85.4%,在UCSD Ped2数据集上检测精度达到了92.4%,证明了该算法的有效性。
- 单位
