摘要
受基于稀疏编码的异常检测能力的启发，我们提出了一种时序一致的稀疏编码方法（Temporal Coherence Sparse Coding, TSC），该方法强制相邻帧采用相似的重构系数进行编码，以保证时序上的连续性。随后，我们将TSC映射为一种特殊的堆叠循环神经网络（stacked Recurrent Neural Network, sRNN）。通过利用sRNN能够同时学习所有参数的优势，有效避免了传统TSC中繁琐的超参数调优问题；同时，采用浅层sRNN结构，可在一次前向传播中完成重构系数的推断，显著降低了稀疏系数学习过程中的计算开销。本文的主要贡献有两点：i）我们提出了一种TSC方法，并将其映射至sRNN框架下，不仅简化了参数优化过程，还显著提升了异常检测的推理速度；ii）我们构建了一个规模极为庞大的异常检测数据集，其数据量和场景多样性均超过了现有所有异常检测数据集的总和。在合成数据集与真实数据集上的大量实验结果表明，基于TSC与sRNN的方法在各项指标上均持续优于现有主流方法，充分验证了所提方法的有效性与优越性。