Generative Neural Networks zur Anomalieerkennung in dicht besetzten Szenen

Sicherheitsüberwachung ist von entscheidender Bedeutung für soziale Harmonie und das friedliche Leben der Menschen. Sie hat erheblichen Einfluss auf die Stärkung der sozialen Stabilität und den Schutz des Lebens. Die zeitnahe, effektive und effiziente Erkennung von Anomalien in der Videobildüberwachung bleibt jedoch herausfordernd. In diesem Artikel wird ein neuer Ansatz namens S²-VAE für die Anomalieerkennung aus Videodaten vorgestellt. Der S²-VAE besteht aus zwei neu entwickelten neuronalen Netzen: einem Stacked Fully Connected Variational AutoEncoder (S F -VAE) und einem Skip Convolutional VAE (S C -VAE). Der S F -VAE ist ein flaches generatives Netzwerk, das ein Modell wie ein Gaußsches Gemisch nutzt, um die Verteilung der tatsächlichen Daten zu approximieren. Der S C -VAE, als zentrales Element des S²-VAE, ist ein tiefes generatives Netzwerk, das die Vorteile von CNNs, VAEs und Skip-Verbindungen nutzt. Beide Netzwerke, S F -VAE und S C -VAE, sind effiziente und effektive generative Modelle, die eine verbesserte Leistung bei der Erkennung sowohl lokaler als auch globaler Anomalien ermöglichen. Der vorgeschlagene S²-VAE wurde anhand von vier öffentlichen Datensätzen evaluiert. Die experimentellen Ergebnisse zeigen, dass der S²-VAE die derzeit besten Algorithmen übertrifft. Der Quellcode ist öffentlich unter https://github.com/tianwangbuaa/ verfügbar.