Resumen

Proponemos un enfoque de detección de anomalías mediante el aprendizaje de un modelo generativo utilizando una red neuronal profunda. Se propone una red de autoencoder convolucional ponderado (AE) - red neuronal de memoria a largo plazo (LSTM) para reconstruir datos en bruto y realizar la detección de anomalías basada en errores de reconstrucción para resolver los desafíos existentes de la detección de anomalías en definiciones complicadas e influencia de fondo. Los AE convolucionales y las LSTMs se utilizan para codificar variaciones espaciales y temporales de los fotogramas de entrada, respectivamente. Se propone una pérdida euclidiana ponderada para permitir que la red se centre en los primeros planos en movimiento, restringiendo así la influencia del fondo. Los primeros planos en movimiento se segmentan de los fotogramas de entrada utilizando la descomposición de análisis de componentes principales robusta. Las comparaciones con enfoques de vanguardia indican la superioridad de nuestro enfoque en la detección de anomalías. La generalización de la

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Detección de anomalías; Red neuronal profunda; Autoencoder convolucional; Memoria a corto plazo a largo plazo; Errores de reconstrucción; Fondos en movimiento
• Keywords:Anomaly detection; Deep neural network; Convolutional autoencoder; Long short-term memory; Reconstruction errors; Moving foregrounds