申请/专利权人：西安建筑科技大学

申请日：2023-12-21

公开（公告）日：2024-04-12

公开（公告）号：CN117876959A

主分类号：G06V20/52

分类号：G06V20/52;G06V40/20;G06V20/40;G06V10/44;G06V10/82;G06V10/764;G06N3/0464;G06N3/0455;G06N3/0475;G06N3/094

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种重构生成对抗网络的异常行为检测模型的方法，所得到的对抗网络的异常行为检测模型，由生成网络和判别网络组成，其中，生成网络由深度残差卷积块重构类U‑Net，同时结合通道注意力机制获得通道的重要性权重以增强核心特征并抑制无用特征，增强特征提取能力。为了增强对小目标图像特征提取能力，引入残差块RESBlock作为生成模块的主干卷积层，其代替普通卷积层以获得充分的特征信息；判别网络由马尔可夫判别器为基础，使网络更加关注图像的细节特征，有效提升网络的检测精度。能够用于对输入的目标图像进行异常行为检测的应用。

主权项：1.一种重构生成对抗网络的异常行为检测模型的方法，其特征在于，包括以下步骤：步骤1：模型载入ImageNet数据集上训练好的模型参数；步骤2：输入带有真实标签的源域数据集进行训练网络，得到训练后的源域模型，使用图像样本为行为图像；步骤3：输入没有标签的目标域数据集对于每一个目标域训练样本xit，执行数据增强，经过数据增强的样本将其输入网络模型中，通过引入残差结构和注意力机制重构类U-net，得到由未来帧生成模块、生成与判别对抗训练和异常行为判别模块3部分组成的RAU-net；以获取异常行为帧级特征X∈RC×H×W；步骤4：为了生成更为准确的异常行为帧图像，将U-net主干基础卷积层替换为深度残差卷积块RESBlock，并借鉴残差网络Resnet进行构建；输入堆叠的视频帧图像，经过深度残差卷积块RESBlock的处理，得到4个不同尺度特征图；步骤5：在提取4个尺度特征图的编码段逐层引入轻量级ECA通道注意力机制，用于增强生成器模块在通道维度上的感知能力；步骤6：接着，利用编码器对输入的连续帧利用最大值池化进行下采样以提取底层特征，并将最后一层特征图输入残差结构中编码全局信息，学习特征像素之间的相关信息；步骤7：将获得的全局低分辨率特征图向上采样到高分辨率，向上采样的过程中进行拼接操作，将第一个输入进行上采样，并与第二个输入进行拼接；步骤8：在网络特征图的输出部分，将标准卷积改进为融入SE通道注意力机制的SECBlock模块，该SECBlock模块通过关注重要通道提取关键帧信息，生成x'，使生成的图像更接近真实帧；步骤9：在训练生成器时，固定判别器网络的权重，尽可能让判别器将生成帧判别为真实样本；生成器训练过程的损失函数为： 步骤10：在训练判别器时，固定生成器的权重，判别器训练过程的损失函数为： 式中，i,j为空间块索引，LMSE是均方误差函数；取{0,1}，Y∈[0,1]；步骤11：设置强度损失、梯度损失、光流损失，生成较高清晰度和相似度的特征图像；其公式为： 式中，λint为度损失函数权重；λgd为梯度损失函数权重；λop为光流损失函数权重；λadv为对抗损失函数权重；步骤12：采用马尔可夫异常判别器，利用生成帧与真实值的差值进行异常行为判定，若差值较小则视为正常事件，否则为异常事件；其本质上是通过作为评价标准，判断图片的相似性；计算图像像素距离得出峰值信噪比，其作为评价标准判断生成帧与真实帧之间的差异程度，即公式为： 判断行为是否异常根据PSNR值确定，通过数据特征设置阈值，PSNR越小则证明图像差异性较大，有异常行为的发生；步骤13：添加对抗损失函数来同时优化两部分模型；在训练判别器时，固定生成器的权重，计算均方误差函数；判别器训练过程的损失函数为： 式中，其中i,j代表空间块索引，LMSE是均方误差函数；取{0,1}，Y∈[0,1]；步骤14：不断重复步骤3-13，并使用优化器进行优化，直到模型收敛；得到重构生成对抗网络的异常行为检测模型。

全文数据：

权利要求：

百度查询： 西安建筑科技大学 一种重构生成对抗网络的异常行为检测模型的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD