专利交易市场

本发明属于计算机视觉和模式识别领域，具体涉及一种基于扰动视觉解释的视频异常事件检测方法，包括：获取视频数据集，将数据集输入到优化的深度学习模型中进行模型训练；实时获取视频数据，将获取的数据输入到训练好的深度学习模型中，得到检测结果以及解释图；本发明在构建深度学习模型中加入了可解释模型，通过可解释模型提取了输入视频中的重要像素以及重要区域，使得深度学习模型在处理视频数据过程中的更明确，增强了检测结果的可信度。

本发明涉及计算机视觉中视频异常监测领域，具体涉及一种基于对象元的视频异常检测方法。通过对一段任意场景的正常视频图像进行光流计算和对象检测，生成对象元。接下来将对象元输入多级记忆搜索引导自动编码器进行训练，得到图像重建模型。之后将图像重建模型应用于同一场景的待检测视频上，对其中的对象进行图像重建。最后将重建对象映射回原视频帧，根据图像间差异实现异常检测。本发明通过光流计算、对象检测和实例分割准确提取出视频帧中的对象像素，并将其与计算得到的类型信息、位置信息和光流图进行维度融合，生成对象元这种新型数据，之后将对象元输入多级记忆搜索引导自动编码器进行训练和重建，实现从多个维度进行视频异常检测。

本发明属于计算机视觉领域，具体涉及基于多维二阶记忆引导网络的视频异常检测方法及系统，本发明方法包括异常检测模型训练阶段和测试阶段两个阶段。在训练阶段采用隐式计算方法提取连续帧之间时间维度上的初始流动性特征，对初始流动性特征进行四次维度扩充卷积运算得到融合后的特征图；从初始流动性特征和特征图中提取出矫正后的流动性特征，并使用多维二阶记忆引导模块引导流动性特征提取的过程。在测试阶段将整个视频帧输入到异常检测模型中，对视频帧打出异常分数，使用异常分数判断视频中是否存在异常。本发明中使用了维度扩充和特征融合的策略，并采用了多维二阶记忆引导模块，提高了特征重建的效果，能够更有效地识别视频中的异常。

本发明属于计算机视觉技术领域，具体为一种基于多路径注意力时序的视频异常检测方法，包括步骤一、循环残差卷积单元；步骤二、跳跃注意力门；步骤三、规则性得分。本发明中每个RRCU的活动不仅会受到其相邻单元活动的调节，并且可以根据网络和任务的不同设置不同的时间步长，该属性增强了模型对上下文信息的整合能力；同时，考虑到编码阶段对图像压缩会造成信息损失，利用跳跃注意力门聚合来自多个特征尺度的信息，其可自动学习并关注不同形状和大小的目标对象，更好地突出显著性局部特征；作为一个端到端的学习框架，模型利用多尺度的时空特征可以捕获更多的正态分布信息。