Réseau de codage automatique de mémoire probabiliste pour la détection de comportements anormaux dans les vidéos de surveillance

La détection de comportements anormaux dans les vidéos de surveillance, en tant que l'une des fonctions essentielles du système de surveillance intelligent, joue un rôle vital dans la lutte contre le terrorisme, le maintien de la stabilité et la保障 de la sécurité sociale. Vise au problème d'un déséquilibre extrême entre les données de comportement normal et les données de comportement anormal, le réseau basé sur un modèle de mémoire probabiliste est conçu pour apprendre à partir de la distribution des comportements normaux et guider la détection de comportements anormaux. Un modèle de codage automatique est utilisé comme réseau principal, et l'écart entre le cadre futur prédit et le cadre réel est utilisé pour mesurer le degré d'anomalie. Un modèle d'estimation de probabilité conditionnelle autorégressive et un modèle de mémoire de distribution normale sont utilisés comme modules auxiliaires, pour atteindre la prédiction des cadres normaux. Lors de l'extraction des caractéristiques temporelles et spatiales dans le réseau principal, la convolution tridimensionnelle causale et les couches entièrement connectées partagées par dimension temporelle sont utilisées pour éviter les fuites d'information future et garantir la synchronisation de l'information. De plus, du point de vue de l’entropie de probabilité et de la diversité des modalités comportementales, un modèle de probabilité autorégressive est proposé pour s'adapter à la distribution du cadre normal d'entrée, afin que le réseau converge vers l'état d'entropie faible de la distribution de comportements normaux. Le module de mémoire stocke la caractéristique du comportement normal dans les données historiques, et injecte les données d'entrée actuelles. Le vecteur de mémoire et le vecteur de codage sont concaténés le long de la dimension temporelle et entrés dans le décodeur, réalisant la prédiction de cadre normal. En utilisant des ensembles de données publics, des expériences d'ablation et de comparaison montrent que l'algorithme proposé présente des avantages significatifs en matière de détection d'anomalies.