Yaxshilangan avtokoder yordamida katta ma'lumotlar videosida g'ayritabiiy aniqlash

1.Kirish

Yuqori darajadagi kompyuter ko'rish vazifasi sifatida video anomaliyasini aniqlash ma'lum bir video ketma-ketligidagi g'ayritabiiy hodisalarni avtomatik aniqlashni nazarda tutadi, bu videodagi g'ayritabiiy va normal faoliyat va g'ayritabiiy toifalarni samarali ajrata oladi. So'nggi bir necha yil ichida tadqiqotchilar anomaliyalarni aniqlash bilan bog'liq ko'plab tadqiqotlar o'tkazdilar [1-9]. Oddiy hodisalar bilan solishtirganda, kamdan-kam uchraydigan yoki yuzaga kelish ehtimoli past bo'lgan hodisalar odatda g'ayritabiiy hodisalar hisoblanadi. Biroq, amalda noma'lum hodisa turlari va anomaliyalarning noaniq ta'riflari tufayli anomaliyalarni aniqlashning samarali modelini yaratish qiyin. Mavjud anomaliyalarni aniqlash usullarining aksariyati o'rganilgan oddiy naqshdan farq qiladigan har qanday naqsh anomaliya sifatida qabul qilinadi degan taxminga asoslanib ishlab chiqilgan. Bunday taxminlarga asoslanib, turli stsenariylarda bir xil faoliyat normal yoki g'ayritabiiy hodisalar sifatida ifodalanishi mumkin. Misol uchun, ko'chada ikki kishi mushtlashib turgan jang sahnasi g'ayritabiiy deb hisoblanishi mumkin, bu ikki kishi boks paytida normal holat. Bundan tashqari, yuqori o'lchamli videoma'lumotlarda ortiqcha vizual ma'lumotlarning katta miqdori mavjud bo'lib, bu video ketma-ketlikda hodisalarni tasvirlash qiyinligini oshiradi.

Xitoy o'ti cistanche

Oldingi ishlarga ko'ra, anomaliyalarni aniqlash usullari odatda ikki turga bo'linishi mumkin. Ba'zi anomaliyalarni aniqlash usullari rekonstruksiya xatolari orqali ishlab chiqilgan bo'lib, ular video ketma-ketlikdagi oddiy naqshlarni modellashtirishga qaratilgan [3-5, 7, 8, 10, 11]. (Ushbu usullar mashg'ulot bosqichida normal naqshning xususiyatlarini namoyish qilish modelini o'rganadi va sinov bosqichida test ma'lumotlarining yakuniy g'ayritabiiy ballini aniqlash uchun g'ayritabiiy va normal namunalar o'rtasidagi farqlardan foydalanadi, masalan, qayta qurish xatolari yoki o'ziga xos chegaralar [7] –14].Rekonstruksiyaga asoslangan anomaliyalarni aniqlash usullari video ketma-ketlikdagi normal naqshlarni qayta tiklashda yaxshi bo‘lsa-da, bu usullarning asosiy muammosi shundaki, ular asosan o‘quv ma’lumotlariga tayanadi.Usulning yana bir turi anomaliyalarni aniqlashni tasniflash muammosi sifatida ko‘radi [ 15, 16]. Ushbu usullar uchun video ketma-ketlikning anomaliya balli optik sherik (HOF) yoki dinamik tekstura (DT) gistogrammasi kabi xususiyatlarni olish uchun o'qitilgan tasniflagich yordamida bashorat qilinadi (bu usullarning ishlashi O'quv namunalariga juda bog'liq.Qoniqarli ko'rsatkichlarga erishish uchun bunday anomaliyalarni aniqlash usullari uchun samarali va kamsituvchi xususiyatlarni ajratib olish zarur [17-20]. Biroq, ikki turdagi usullar odatda hodisalar o'rtasidagi munosabatlarni nisbatan sodda tarzda modellashtiradi [7, 10, 21-23]. Misol uchun, faqat chiziqli munosabatlar ko'rib chiqiladi, bu ko'plab real vaziyatlarda murakkab, yuqori chiziqli bo'lmagan munosabatlar uchun etarli emas.

Cho'lda yashovchi sistanche

So'nggi yillarda chuqur o'rganishga asoslangan usullar videoni aniqlash sohasida qo'llanildi va katta yutuqlarga erishdi [24-26]. Masalan, avtokoderlar (AE) anomaliyalarni aniqlash uchun qayta qurish xatolaridan foydalanadi va shu asosda bir qator usullar takomillashtirildi. Bundan tashqari, anomaliyalarni aniqlash muammosini hal qilish uchun generativ raqib tarmoqlari (GAN) va uzoq qisqa muddatli xotira (LSTM) ham qo'llanilgan. Biroq, AE kuchli umumlashtirish qobiliyatiga ega bo'lishi mumkin, buning natijasida g'ayritabiiy hodisalarni qayta qurish qobiliyati mavjud. [14] da tadqiqotchilar g'ayritabiiy ta'lim namunalari mavjud bo'lmaganligi sababli, g'ayritabiiy namunalarni qayta tiklash oldindan aytib bo'lmaydigan bo'lishi kerakligini ta'kidladilar, bu esa g'ayritabiiy namunalar uchun kattaroq qayta qurish xatolariga olib kelishi mumkin. Agar ba'zi anomaliyalar oddiy o'quv ma'lumotlari bilan umumiy kompozitsion naqshga ega bo'lsa yoki dekoder "juda kuchli" bo'lsa va ba'zi anomaliya kodlarini yaxshi dekodlay olmasa, AE anomaliyani yaxshi qayta qurishi mumkin. AE kamchiliklarini bartaraf etish uchun ushbu maqola chuqur AEni yaxshilash uchun xotira modulidan foydalanadi va xotirani kengaytirilgan AE (Memory AE) usulini ishlab chiqadi. Yangi sinov namunasi kiritilganda, Memory AE uni to'g'ridan-to'g'ri kodlamaydi va dekoderga kiritmaydi, balki uni xotira modulidagi tegishli tarkibni olish uchun so'rov sifatida ishlatadi. (uz, tarkib yig‘iladi va dekoderga o‘tkaziladi. (jarayon diqqatni adreslash yo‘li bilan amalga oshiriladi. Bundan tashqari, ushbu maqola xotira mazmunini xususiyatdagi so‘rovlarga yaqinlashishga undashi mumkin bo‘lgan og‘irliklarni manzillash xotirasining siyrakligini keltirib chiqarish uchun farqlanuvchi qisqarish operatorlaridan foydalanadi. bo'sh joy.O'quv bosqichida kodlovchi va dekoder bir vaqtning o'zida o'rtacha qayta qurish xatosini olish uchun xotira modulini yangilaydi.Sinov bosqichida o'rganilgan xotira tarkibi o'rnatiladi va oddiy xotira elementlarining oz miqdori ishlatiladi. rekonstruksiya qilish uchun.Agar ular kirish kodining qoʻshnisi sifatida tanlansa, qayta qurish xatosi juda aniq boʻladi.Bir nechta ommaviy benchmark maʼlumotlar toʻplamida oʻtkazilgan tajribalar Xotira AE ning aniqlash koʻrsatkichlari eng yuqori darajaga yetganligini koʻrsatadi.

Cistanche deserticolaning asosiy kimyoviy tarkibiy qismlari

2. Algoritmning ishlash printsipi

1-rasmda Xotira AE ning umumiy tarmoq strukturasi ko'rsatilgan, u uchta quyi tuzilmaga bo'lingan: kodlovchi (kirish va so'rovlarni kodlash uchun ishlatiladi), dekoder (qayta qurish uchun ishlatiladi) va xotira moduli (xotira va tegishli manzillash operatsiyalari bilan). 1-rasmda ko'rsatilganidek, tekshirilishi kerak bo'lgan hodisani hisobga olgan holda, kodlovchi birinchi navbatda o'zining kodlangan qiymatini oladi. Kodlangan qiymatdan so'rov sifatida foydalanish orqali xotira moduli diqqatga asoslangan adreslash operatori orqali xotira modulidagi eng mos tarkibni oladi va keyin uni qayta tiklash uchun dekoderga uzatadi. Trening davomida kodlovchi va dekoder qayta qurish xatosini minimallashtirish uchun parametrlarni optimallashtiradi va shu bilan birga kodlangan oddiy ma'lumotlarning prototip elementlarini yozib olish uchun xotira modulini yangilaydi. Sinov namunasini hisobga olgan holda, model rekonstruksiyani amalga oshirish uchun faqat xotira modulida yozilgan cheklangan oddiy naqshlardan foydalanadi. Shunday qilib, rekonstruksiya odatdagi namunaga yaqin bo'ladi. Demak, oddiy namunani qayta qurish xatosi kichik, g'ayritabiiy xatosi esa katta.

1-rasm: (tavsiya etilgan xotira AE ning elektron sxemasi.

2.1. Kodlovchilar va dekoderlar. (e kodlovchi va dekoder AE ning ikki qismidir. (e birinchisi kirish ma'lumotlarini uning kodlangan qiymatini olish uchun xususiyat maydoniga moslashtiradi, ikkinchisi esa kodlangan qiymatni kirish ma'lumotlariga qayta tuzadi. (e AE quyidagilardan iborat). kodlovchi fw1 (·) va dekoder gw2 (·) ni ifodalash mumkin

bu yerda x va x' - AE va qayta tiklangan kirish, mos ravishda, z - x ning kodlash natijalari, W1 va W2 esa kodlovchi va dekoder parametrlarini bildiradi, ularni qayta qurish xatosini minimallashtirish orqali olish mumkin. x va x':

Oddiy namunaning xatosini qayta qurish orqali uning g'ayritabiiyligini aniqlash uchun AE g'ayritabiiy aniqlash vazifasini hal qilish uchun muvaffaqiyatli ishlatilgan. Biroq, g'ayritabiiy namunalarni qayta tiklash oldindan aytib bo'lmaydigan bo'lishi kerak, bu esa g'ayritabiiy namunalar uchun katta rekonstruksiya xatolariga olib kelishi mumkin. Ushbu muammoni hal qilish uchun 2.2-bo'limda AEga xotira moduli kiritilgan va Xotira AE taklif qilingan.

2.2. Xotira moduli. (taklif etilayotgan usul prototipni kodlash rejimini yozib olish uchun xotira modulini va xotira moduliga kirish uchun adreslash operatsiyasini o'z ichiga oladi.

2.2.1. Diqqatga asoslangan vakillik. (e e'tibor moduli M ∈ RN×C matritsasi sifatida tuzilgan, N real vaqt vektorini o'z ichiga oladi. Oddiylik uchun C o'lchami z ning o'lchami deb faraz qilaylik; u holda l � RC bo'lsin. Mi qator vektori berilgan, ∀i ∈ [ N], bu erda [N] 1 dan N gacha boʻlgan butun sondir. Har biri mi xotira elementini ifodalaydi; z ∈ RC soʻrovlar toʻplami berilganda, xotira tarmogʻi z ni oladi va w ∈ R1×N yumshoq manzil vektori bilan javob beradi. quyidagicha:

Bu erda w - qator vektori va barcha elementlarning yig'indisi 1 ga teng, u wi ni ifodalaydi, i ning w elementi. (e vazn vektorini w z hisobi orqali olish mumkin. (4) tenglamada ko'rsatilganidek, manzil og'irligi xotira moduliga w yaqin bo'lishi kerak. (e aralash parametr N sifatida aniqlanadi, xotira modulining maksimal sig'imi. Bu N bo'lsa-da, turli ma'lumotlar to'plamlari uchun eng yaxshisini topish oson emas; Yaxshiyamki, Xotira AE N sozlamalariga sezgir emas. Etarlicha, katta N har bir ma'lumotlar to'plamiga yaxshi qo'llanilishi mumkin.

2.2.2. Xotira manziliga e'tibor. Xotira AE-da xotira moduli o'quv bosqichining M asl normal rejimini batafsil yozib olish uchun mo'ljallangan. (e xotira moduli mazmunan manzilli xotira sifatida aniqlanadi, z⌢ va uning manzillash sxemasi so'rov va xotira elementi o'rtasidagi o'xshashlik asosida w, e'tibor og'irligini hisoblab chiqadi. 1-rasmda ko'rsatilganidek, har bir vaznni hisoblash mumkin. softmax operatsiya wi:

Bu yerda d(·, ·) o‘xshashlik ko‘rsatkichini ifodalaydi. (qog'oz buni kosinus o'xshashligi sifatida belgilaydi:

Xuddi (4)–(6) tenglamalari singari, xotira moduli z tasvirini olish uchun eng o'xshash xotira elementini oladi. Xotira hajmining cheklanganligi va siyrak adreslash texnologiyasi tufayli bir vaqtning o'zida faqat kichik miqdordagi ichki xotira elementlariga murojaat qilish mumkin. (shuning uchun xotira modulining samarali harakatini quyidagicha izohlash mumkin. O‘quv bosqichida Xotira AE-dagi dekoder qayta qurish uchun juda oz sonli saralanadigan xotira elementlaridan foydalanish bilan cheklanadi, bu esa xotira elementlaridan samarali foydalanishni talab qiladi. (shuning uchun). , rekonstruksiya vaqtida xotira moduli kirish normal rejimida eng vakili prototip rejimini yozib olishga majbur bo‘lishi kerak.Sinov bosqichida, o‘rgatilgan xotirani hisobga olgan holda, rekonstruksiya qilish uchun faqat xotiradagi oddiy rejimni olish mumkin.(shuning uchun) , normal namunalarni yaxshiroq qayta qurish mumkin.Aksincha, g'ayritabiiy kirishning kodlangan qiymati olingan normal naqsh bilan almashtirilishi mumkin, bu esa g'ayritabiiy namunada katta rekonstruksiya xatosiga olib keladi.

2.3. Trening. xi namunalarini o'z ichiga olgan ma'lumotlar to'plami berilganmi? ?TI�1, o‘quv namunalaridagi xi ning rekonstruksiya namunalarini xi′ bilan belgilaymiz; minimal refaktoring quyidagicha amalga oshiriladi:

(e l2 normasi rekonstruksiya xatosini o‘lchash uchun ishlatiladi; wi′ har bir namunadagi xi xotirasining manzillash og‘irligini ifodalaydi. W′ ning siyrakligini yanada oshirish maqsadida mashg‘ulot davomida siyrak tartibga solish minimallashtiriladi. Barcha w′ ning manfiy emasligini hisobga olsak. va ‖w′‖1 � 1 bo‘lsa, optimallashtirish masalasi quyidagicha tuziladi:

Tenglama (7) va (8) tenglamaning yo'qotish funktsiyasini birlashtirib, Xotira AE ning maqsad funktsiyasi quyidagicha bo'ladi:

bu erda o'quv jarayonidagi giperparametr. Amalda, 0.0002 ga o'rnatiladi. Trening jarayonida xotira orqaga tarqalish va gradient tushish orqali yangilanadi. Orqaga tarqalishda faqat nolga teng bo'lmagan manzil og'irligiga ega xotira elementining gradienti nolga teng bo'lishi mumkin.

2.4. Sinov. Model o'qitilgandan so'ng, t tish ramkasining (x, y) holatidagi pikselni qayta qurish xatosini quyidagi tenglama bilan hisoblash mumkin:

bu yerda h(·) butun modelni ifodalaydi. O'ninchi kadrning piksel darajasidagi rekonstruksiya xatosini hisobga olib, tasvirning butun ramkasini qayta qurish xatosini e(t) � yig'ish yo'li bilan olish mumkin. (x,y)e(x,y,t). (uz, kadrning anomaliya ballini quyidagicha hisoblash mumkin:

Nihoyat, s(t) > th kabi g'ayritabiiy ekanligini aniqlash uchun chegara o'rnatilishi mumkin.

3. Tajriba

Ushbu bo'limda tavsiya etilgan usulning samaradorligi tekshiriladi va boshqa mavjud usullar bilan taqqoslanadi. Hozirda tajribalar uchun ikkita ommaviy ma'lumotlar to'plamidan foydalanilmoqda, ya'ni Avenue ma'lumotlar to'plami va ShanghaiTech ma'lumotlar to'plami. (egri chiziq ostidagi ramka darajasi maydoni (AUC) va EER miqdoriy baholash ko'rsatkichlari sifatida ishlatiladi.

3.1. Tayyorgarlik. (e Avenue maʼlumotlar toʻplami Gonkong shahar universitetining koʻchadagi harakatlarini suratga olish va yozib olish uchun 640 × 360 piksel oʻlchamlari bilan qattiq kameradan foydalanadi. (e maʼlumotlar toʻplami Computational Intelligence and Neuroscience 3 16 ta oʻquv videokliplarini oʻz ichiga oladi. g'ayritabiiy hodisalar va inson xatti-harakatlarini o'z ichiga olgan videokliplarni sinovdan o'tkazish. U jami 30652 kadrdan iborat va barcha test videolarida maqsadli darajadagi izohlar mavjud, ya'ni fazoviy joylarda anomaliyalarni belgilash uchun to'rtburchaklar maydon ishlatiladi. Oddiy xatti-harakat - odamlarning yurishi. piyodalar yo‘lida, g‘ayritabiiy hodisalar esa odamlarni axlatga tashlash/tashlash, adashib yurish, kamera tomon yurish, o‘t ustida yurish va narsalarni tashlab yuborishdir. (e ShanghaiTech ma’lumotlar to‘plami g‘ayritabiiy hodisalarni aniqlash uchun juda qiyin to‘plamdir. Boshqa ma’lumotlar to‘plamlaridan farqli o‘laroq, u 13 xil ma’lumotlarni o‘z ichiga oladi. turli yorug‘lik sharoitlari va kamera burchaklariga ega sahnalar, jumladan, jami 330 ta o‘quv videosi va 107 ta test videosi. (e test to‘plami piksel darajasidagi izohli jami 130 ta g‘ayritabiiy hodisani o‘z ichiga oladi. (e butun maʼlumotlar toʻplami jami 316154 kadrga ega, shu jumladan oʻquv majmuasida 274515 kadr, test toʻplamida 42883 kadr va gʻayritabiiy kadrda 17090 kadr. (e har bir video kadrning oʻlchamlari 480 × 856. (e model) NVIDIA GTX1080TI apparat platformasi va 8 Gb video xotirasi boʻlgan platformada sinovdan oʻtkazildi va dasturiy muhit PyTorch va Python 3.6.Ushbu maqolada taklif qilingan video anomaliyalarini aniqlash usulining samaradorligini oʻlchash uchun kadrlar darajasidagi AUC Baholash indeksi sifatida qabul qiluvchining ishlash xarakteristikasi egri chizig'i (ROC) ishlatiladi.Kadr darajasidagi baholash ko'rsatkichlari uchun, agar kadrning kamida bitta pikseli g'ayritabiiy deb belgilangan bo'lsa, kadr g'ayritabiiy hisoblanadi.Kadr darajasining AUC qiymati esa o'zaro taqqoslash yo'li bilan hisoblanadi. haqiqiy yorliqning ramka darajasi bilan ramka darajasidagi aniqlash natijasi.

Cistanche deserticolaning asosiy kimyoviy tarkibiy qismlari

Cistanche mahsulotlarini ko'rish uchun shu yerni bosing

【Batafsil ma'lumot so'rang】 Email:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

3.2. Eksperimental sozlash. Barcha video ramkalar 227 × 227 ga o'rnatiladi va keyin kulrang rangdagi tasvirlarga aylantiriladi. (modelning e kiritishi 227 × 227 × 5, ya'ni modelning kiritilishi sifatida 5 ta ketma-ket freym ishlatiladi. Har bir konvolyutsion qatlamdan so'ng, ommaviy normalizatsiya qatlami va ReLU oldingi iqtibos qatlami mavjud. (e dekoder). 4 ta dekonvolyutsiya qatlamini o‘z ichiga oladi. (e’tibor moduli har bir xotira segmenti video segmentning pastki mintaqasiga mos keladigan funksiya xaritasidagi pikselga xususiyatni yozib olish imkonini beradigan tarzda o‘rnatiladi. (shuning uchun xotira moduli 10) 00 × 64 matritsa. (e Adam optimallashtiruvchisi butun model parametrlarini optimallashtirish uchun tanlangan. (e boshlang‘ich o‘rganish tezligi 0,0001, iteratsiyalar soni esa 1000. (e impuls parametri) r1 � 0,9 va r2 � 0,999, partiya hajmi esa 128.

3.3. Tajriba natijalari. Video anomaliyalarini aniqlashda tavsiya etilgan usulning samaradorligini isbotlash uchun ushbu maqola uni 12 xil mavjud usullar bilan taqqoslaydi. Ular orasida MPPCA (ehtimoliy asosiy komponent analizatori gibrid) va SF (ijtimoiy kuch) [17] va MDT (dinamik tekstura gibrid) [18] qo'lda ishlash xususiyatlariga asoslangan usullardir; Conv-AE [8], 3D Conv [19], Stacked RNN [20] va ConvLSTM-AE [21], MemNormality [10] va ClusterAE [22] - barchasi avtomatik kodlovchilarga asoslangan usullardir; AbnormalGAN [7] va Pred plus Recon [23] raqib tarmoqlar usulini yaratishga asoslangan. 1-jadvalda turli usullarning ramka darajasidagi video anomaliyalarini aniqlash natijalari ko'rsatilgan. Ko'rinib turibdiki, ikkita ma'lumotlar to'plamining natijalarida AEga asoslangan usul odatda qo'lda ishlangan xususiyatlarga asoslangan usuldan yaxshiroq va yuqori ramka darajasidagi AUC olinadi. (chunki qo'lda ishlangan xususiyatlar odatda boshqa vazifalar asosida olinadi va shuning uchun suboptimal bo'lishi mumkin. AE-ga asoslangan usullarda ConvLSTM-AE Conv-AEga qaraganda yaxshiroq, chunki birinchisi vaqt ma'lumotlarini yaxshiroq yozib olishi mumkin. Bundan tashqari, u ham mumkin. Shuni ta'kidlash kerakki, GAN-ga asoslangan usullar ko'pchilik boshlang'ich usullardan ko'ra yaxshiroq ishlaydi.Nihoyat, ushbu maqolada taklif qilingan Xotira AE usuli Avenue ma'lumotlar to'plamida 85,7 foiz kadr darajasidagi AUC ga erishadi, bu eng yaxshi ko'rsatkichli Pred plus Recon-dan 0,6 foizga yuqori. [23] usuli; bu maqolada taklif qilingan usul ShanghaiTech maʼlumotlar toʻplamida freym darajasidagi AUC ga 75,3 foizga erishgan boʻlsa, bu kadrlar darajasidagi AUC boʻyicha boshqa usullardan 2 foizga oldinda va taʼsir juda aniq. (asosan, Xotira AEga asoslangan tavsiya etilgan usul anomaliyalarni yaxshi qayta tiklashi va ba'zi tasodifiy xatolarni keltirib chiqarishi mumkin bo'lgan xotira fragmentlaridan foydalanadi. Bundan tashqari, Avenue ma'lumotlar to'plami bilan solishtirganda, ShanghaiTech ma'lumotlar to'plami yuqori kadr darajasidagi AUCga erishdi. (asosan ShanghaiTech ma'lumotlar to'plami o'z ichiga oladi. ilgari boshqa ma'lumotlar to'plamlarida paydo bo'lmagan bir nechta sahnalar va g'ayritabiiy hodisalar, bu yanada murakkab. ShanghaiTech ma'lumotlar to'plamida bitta sahnani aniqlash natijalarini tekshirish uchun o'qitish va sinov uchun bitta sahnali video segmentidan foydalaniladi. 83 ta segment (25 foiz ) mashg‘ulot uchun, 34 ta segment (32 foiz ) sinov uchun ishlatiladi, 86.3 foiz kadr darajasidagi AUCga erishiladi, bu Avenue ma’lumotlar to‘plamidagi kabi darajaga yetdi. Xulosa qilib aytganda, taklif qilingan Xotira AE usuli har xil turdagi ma'lumotlarga moslashuvchan tarzda qo'llanilishi mumkin. Faqat qayta qurish xatolaridan foydalangan holda, tavsiya etilgan usul eng kam aniq bilimlar bilan yaxshi natijalarga erishishi mumkin. G'ayritabiiy video hodisalarini aniqlashda oldindan belgilangan xotira modulining ishlashini baholash uchun keyingi qadam xotira modulining o'lchamini o'zgartirish va Avenue ma'lumotlar to'plamida tajribalar o'tkazishdir va kadrlar darajasining AUC qiymatlari 2-jadvalda keltirilgan. etarli darajada katta xotira moduli hajmini hisobga olgan holda, Memory AE usuli ishonchli tarzda eng yaxshi natijalarni berishi mumkinligini aniqlash mumkin. Xotira modulining o'lchami 1000 dan katta bo'lsa, aniqlash natijasiga ta'siri kichik bo'ladi, lekin kattaroq xotira moduli hajmidan foydalanish ko'proq hisoblash miqdoriga olib keladi, shuning uchun xotira moduli hajmi 1000 sifatida tanlanadi. Rasmlar 2(a) va 2(b) mos ravishda Avenue ma’lumotlar to‘plami va ShanghaiTech ma’lumotlar to‘plamida ba’zi aniqlash natijalarini ko‘rsatadi. (e 1-jadval: AUC bo'yicha eng zamonaviy usullar bilan taqqoslash.

qo'lda ishlangan xususiyatlarga asoslangan usuldan yaxshiroq va yuqori ramka darajasidagi AUC olinadi. (chunki qo'lda ishlangan xususiyatlar odatda boshqa vazifalar asosida olinadi va shuning uchun suboptimal bo'lishi mumkin. AE-ga asoslangan usullarda ConvLSTM-AE Conv-AEga qaraganda yaxshiroq, chunki birinchisi vaqt haqidagi ma'lumotni yaxshiroq ushlab turishi mumkin. Bundan tashqari, u ham mumkin. Shuni ta'kidlash kerakki, GAN-ga asoslangan usullar ko'pchilik boshlang'ich usullardan ko'ra yaxshiroq ishlaydi.Nihoyat, ushbu maqolada taklif qilingan Xotira AE usuli Avenue ma'lumotlar to'plamida 85,7 foiz kadr darajasidagi AUC ga erishadi, bu 0,6 foizga yuqori. eng yaxshi ishlaydigan Pred plus Recon [23] usuli; ushbu maqolada taklif qilingan usul ShanghaiTech ma'lumotlar to'plamida 75,3 foiz ramka darajasidagi AUC ga erishdi, bu ramka darajasidagi AUC bo'yicha boshqa usullardan 2 foizga oldinda va ta'sir juda aniq. . (asosan, Xotira AE-ga asoslangan tavsiya etilgan usul anomaliyalarni yaxshi qayta tiklashi va ba'zi tasodifiy xatolarni keltirib chiqarishi mumkin bo'lgan xotira fragmentlaridan foydalanganligi sababli. Bundan tashqari, Avenue ma'lumotlar to'plami bilan solishtirganda, ShanghaiTech ma'lumotlar to'plami yuqori kadr darajasidagi AUCga erishdi. asosan ShanghaiTech ma'lumotlar to'plamida ilgari boshqa ma'lumotlar to'plamlarida paydo bo'lmagan bir nechta sahnalar va g'ayritabiiy hodisalar mavjud bo'lib, bu ancha murakkab. ShanghaiTech ma'lumotlar to'plamida bitta sahnani aniqlash natijalarini tekshirish uchun o'qitish va sinov uchun bitta sahnali video segmentidan foydalaniladi. 83 ta segment (25 foiz ) mashg‘ulot uchun va 34 ta segment (32 foiz ) sinov uchun ishlatiladi, 86,3 foiz kadr darajasidagi AUCga erishiladi, bu Avenue ma’lumotlar to‘plamidagiga o‘xshash darajaga yetdi. Xulosa qilib aytganda, taklif qilingan Xotira AE usuli har xil turdagi ma'lumotlarga moslashuvchan tarzda qo'llanilishi mumkin. Faqat qayta qurish xatolaridan foydalangan holda, tavsiya etilgan usul eng kam aniq bilimlar bilan yaxshi natijalarga erishishi mumkin. G'ayritabiiy video hodisalarini aniqlashda oldindan belgilangan xotira modulining ishlashini baholash uchun keyingi qadam xotira modulining o'lchamini o'zgartirish va Avenue ma'lumotlar to'plamida tajribalar o'tkazishdir va kadrlar darajasining AUC qiymatlari 2-jadvalda keltirilgan. etarli darajada katta xotira moduli hajmini hisobga olgan holda, Memory AE usuli ishonchli tarzda eng yaxshi natijalarni berishi mumkinligini aniqlash mumkin. Xotira modulining o'lchami 1000 dan katta bo'lsa, aniqlash natijasiga ta'siri kichik bo'ladi, lekin kattaroq xotira moduli hajmidan foydalanish ko'proq hisoblash miqdoriga olib keladi, shuning uchun xotira moduli hajmi 1000 sifatida tanlanadi. Rasmlar 2(a) va 2(b) mos ravishda Avenue ma’lumotlar to‘plami va ShanghaiTech ma’lumotlar to‘plamida ba’zi aniqlash natijalarini ko‘rsatadi. (yashil qutidagi kadrlar oddiy videokliplardan olingan oddiy kadrlar, qizil qutidagi kadrlar esa g‘ayritabiiy videokliplardan olingan g‘ayritabiiy kadrlardir. Ba’zi g‘ayritabiiy hodisalar, masalan, konfeti tushirish, yo‘lakda velosiped haydash, kaltaklash va hokazo. aniqlanishi.

2-jadval: (e xotira hajmi sonining Avenue ma'lumotlar to'plamining eksperimental natijalariga ta'siri (kadr darajasidagi AUC/foiz).

2-rasm: Aniqlash natijalariga misollar. (a) Avenue ma'lumotlar to'plamidan misol. (b) ShanghaiTech ma'lumotlar to'plamidan misol.

4. Xulosa

(qog'oz videolarda katta ma'lumotlar anomaliyalarini aniqlash samaradorligini yaxshilash uchun Xotira AE ni taklif qiladi. Kiritilgan holda, taklif qilingan Xotira AE usuli kodlangan tasvirni olish uchun avval kodlovchidan foydalanadi va keyin koddan eng mos keladiganini olish uchun so'rov sifatida foydalanadi. rekonstruksiya qilish uchun xotira modulidagi naqshlar.Xotira moduli tipik normal naqshlarni yozib olishga o‘rgatilganligi sababli, taklif qilingan Xotira AE normal namunalarni yaxshi qayta qurishi va anormalliklarni qayta qurish xatosini kattalashtirishi mumkin, bu esa rekonstruksiya xatosining anormallikni aniqlash standarti sifatidagi rolini kuchaytiradi. Ikkita maʼlumotlar toʻplami boʻyicha oʻtkazilgan tajribalar taklif etilayotgan usulning koʻp qirrali va samaradorligini isbotlaydi.Kelajakda anomaliyalarni aniqlash uchun manzilli ogʻirliklardan foydalanishni oʻrganamiz.Taklif etilayotgan xotira moduli universal boʻlib, enkoder tuzilishiga hech qanday aloqasi yoʻqligini hisobga olib, dekoder, u yanada murakkab asosiy modelga birlashtiriladi va yanada qiyinroq ma'lumotlar to'plamlari bo'yicha tajribalarda qo'llaniladi.

Mening yonimda Cistanche qo'shimchasi-Xotirani yaxshilash

Ma'lumotnomalar

[1] F. Dong, Y. Zhang va X. Nie, "Video anomaliyalarini aniqlash uchun ikki tomonlama diskriminator generativ raqib tarmog'i", IEEE Access, jild. 8, 88170–88176-betlar, 2020 yil.

[2] K. Doshi va Y. Yilmaz, “Kuzatuv videolarida har qanday zarbali ketma-ket anomaliyalarni aniqlash”, Proceedings of the CVPRW, pp. 934-935, Sietl, WA, AQSh, 2020 yil iyun.

[3] K. Doshi va Y. Yilmaz, “Kuzatuv videolarida anomaliyalarni aniqlash uchun doimiy oʻrganish”, Proceedings of the CVPRW, p. 254-255, Sietl, WA, AQSh, 2020-yil, iyun.

[4] K. Jayanta, "Dutta va bonny Banerji. Incremental kodlash uzunligi yordamida g'ayritabiiy hodisalarni onlayn aniqlash", Proceedings of the AAAI, pp. 3755–3761, Ostin, Texas, AQSH, 2015 yil yanvar.

[5] Y. Feng, Y. Yuan va X. Lu, "Olomon anomaliyalarini aniqlash uchun chuqur hodisa modellarini o'rganish", Neurocomputing, jild. 219, 548–556-betlar, 2017 yil.

[6] D. Gong, L. Liu, V. Le va boshqalar, "Anomaliyani aniqlash uchun normallikni yodlash: nazoratsiz anomaliyalarni aniqlash uchun xotira bilan kengaytirilgan chuqur avtokoder", ICCV materiallari, 1705-1714-betlar, Seul, Koreya, 2019 yil oktyabr.

[7] M. Ravanbaxsh, M. Nabi, E. Sangineto, L. Marcenaro, C. Regazzoni va N. Sebe, "Videolarda g'ayritabiiy hodisalarni generativ raqib tarmoqlari yordamida aniqlash", IEEE Xalqaro Tasvirni qayta ishlash konferentsiyasi materiallarida , 1577–1581-betlar, Pekin, Xitoy, 2017 yil sentyabr.

[8] M. Hasan, J. Choi, J. Neumann, AK Roy-Chowdhury va LS Davis, "Video ketma-ketliklarida vaqtinchalik muntazamlikni o'rganish", IEEE konferentsiyasining Kompyuter ko'rish va naqshlarni aniqlash bo'yicha materiallari, 733-bet. 742, Las-Vegas, NV, AQSh, 2016 yil iyun.

[9] V. Liu, V. Luo, D. Lian va S. Gao, “Anomaliyalarni aniqlash uchun kelajakdagi kadrlar bashorati – yangi asos”, “Kompyuterni koʻrish va namunani aniqlash boʻyicha IEEE konferentsiyasi materiallari”, 6536-bet. 6545, Solt-Leyk Siti, UT, AQSh, 2018 yil iyun.

[10] H. Park, J. Noh va B. Xem, "Anomaliyalarni aniqlash uchun xotiraga asoslangan normallikni o'rganish", Kompyuterda ko'rish va naqshlarni aniqlash bo'yicha IEEE konferentsiyasi materiallarida, 14 372-{{ bet. 3}}, Sietl, VA, AQSh, 2020 yil iyun.

[11] MZ Zahir, J.-h. Li, M. Astrid va S.-I. Li, "Old is gold: qayta ta'riflash raqib tomonidan o'rganilgan bir sinf tasniflagichi o'qitish paradigma", "Kompyuterni ko'rish va naqshlarni aniqlash bo'yicha IEEE konferentsiyasi materiallari", pp. 14 183–214 193, Sietl, WA, AQSh, 2020 yil iyun.

[12] X. Zhu, J. Liu, J. Vang, Y. Fang va X. Lu, "Ko'rinish va dinamika qo'shma modellashtirish orqali olomon sahnada anomaliyalarni aniqlash", IEEE tasvirni qayta ishlash bo'yicha xalqaro konferentsiya materiallarida, 2705–2708-betlar, Melburn, VIC, Avstraliya, 2013 yil sentyabr.

[13] RVHM Colque, CAC J´unior va WR Schwartz, "Videolardagi anomal hodisalarni aniqlash uchun optik yo'nalish va kattalik histogramlari", Sibgrapi konferentsiyasining Grafika, naqsh va tasvirlar to'plamida, 126–133-betlar. , Salvador, Bahia, Braziliya, avgust 2015 yil.

[14] Bo Zong, S. Qi, RM Martin va boshq., "Nazorat qilinmagan anomaliyalarni aniqlash uchun chuqur avtomatik kodlash Gauss aralashmasi modeli", O'quv vakolatxonalari bo'yicha xalqaro konferentsiya materiallarida, Vankuver, Kanada, 2018 yil aprel.

[15] M. Sabokrou, M. Fayyaz, M. Fathy, Z. Moayed va R. Klette, "Chuqur-anomaliya: olomon sahnalarida anomaliyalarni tez aniqlash uchun to'liq konvolyutsion neyron tarmoq", "Kompyuterni ko'rish va tasvirni tushunish", jild. 172, 88–97-betlar, 2018 yil.

[16] C. Li, Z. Xan, Q. Ye va J. Jiao, "Traektoriyani siyrak qayta qurish tahliliga asoslangan vizual g'ayritabiiy xatti-harakatlarni aniqlash", Neurocomputing, jild. 119, yo'q. 7, 94–100-betlar, 2013 yil.

[17] V. Mahadevan, W. Li, V. Bhalodia va N. Vasconcelos, "Olomon sahnalarda anomaliyalarni aniqlash", IEEE konferentsiyasining Kompyuter ko'rish va namunani aniqlash (CVPR) materiallarida, 1975–1981-yillar, IEEE, San-Fransisko, CA, AQSh, 2010 yil iyun.

[18] V. Li, V. Mahadevan va N. Vaskonselos, "Olomon sahnalarda anomaliyalarni aniqlash va lokalizatsiya", IEEE Transactions on Pattern Analysis and Machine Intelligence, jild. 36, 18–32-betlar, 2014 yil.

[19] Y. Chjao, B. Deng, C. Shen, Y. Liu, X. Lu va X.-S. Hua, "Video anomaliyalarini aniqlash uchun fazoviy-vaqtinchalik avtokodlovchi", Multimedia bo'yicha ACM xalqaro konferentsiyasi materiallarida (ACM MM), 1933–1941-betlar, ACM, Mountain View California USA, 2017 yil oktyabr.

[20] W. Luo, L. Wen va S. Gao, "A siyrak kodlash asoslangan anomaliya aniqlash stacked RNN framework," IEEE xalqaro konferentsiyasi materiallari (ICCV), Venetsiya, Italiya, oktyabr, 2017 yil.

[21] V. Luo, L. Ven va S. Gao, "Anomaliyalarni aniqlash uchun konvolyutsion LSTM bilan tarixni eslab qolish", IEEE Xalqaro Multimedia va Koʻrgazma konferentsiyasi (ICME) materiallarida, 439–444-bet, IEEE, Gonkong, 2017 yil iyul.

[22] Y. Chang, Z. Tu, V. Xie va J. Yuan, "Video anomaliyalarini aniqlash uchun klasterli chuqur avtokoder", "Kompyuterni ko'rish bo'yicha Evropa konferentsiyasi" (ECCV), 329-345-betlar, Springer, Glazgo, Buyuk Britaniya, 2020 yil avgust.

[23] L. Ven, V. Luo, D. Lian va S. Gao, "Anomaliyalarni aniqlash uchun kelajakdagi kadrlar bashorati - yangi asos", IEEE konferentsiyasining Kompyuter ko'rish va namunalarni aniqlash (CVPR) materiallarida, pp. 6536–6545, IEEE, Solt-Leyk Siti, UT, AQSh, 2018 yil iyun.

[24] M. Song, "Ikki qatlamli neyron tarmoqlar landshaftining o'rtacha dala ko'rinishi", Milliy Fanlar Akademiyasi materiallari, jild. 115, yo'q. 33, bet E7665–E7671, 2018 yil.

[25] B. Ding va G. Ven, "Sarsity constraint nearest subspace klassifikatori SAR tasvirlarini maqsadli aniqlash uchun", Journal of Visual Communication and Image Representation, jild. 52, 170–176-betlar, 2018 yil.

[26] T. Vang va X. Snoussi, "Global optik hamkasb orientatsiyasi gistogrammasi orqali g'ayritabiiy vizual hodisalarni aniqlash", IEEE Transactions on Information Sud ekspertiza va xavfsizlik, jild. 9, yo'q. 6, 988–998-betlar, 2014 yil.