Resumen

El auge de los algoritmos de predicción de vídeo ha promovido en gran medida el desarrollo de la detección de anomalías en la videovigilancia para las ciudades inteligentes y la seguridad pública. Sin embargo, la mayoría de los métodos actuales se basan en información de una sola escala para extraer características de apariencia (espaciales) y carecen de continuidad de movimiento (temporal) entre los fotogramas de vídeo. Esto puede causar una pérdida de información espacio-temporal parcial que tiene un gran potencial para predecir fotogramas futuros, afectando a la precisión de la detección de anomalías. Así, proponemos una novedosa red de predicción para mejorar el rendimiento de la detección de anomalías. Debido a los objetos de diversas escalas en cada vídeo, utilizamos diferentes campos receptivos para extraer características detalladas de apariencia mediante el módulo de convolución dilatada híbrida (HDC). Mientras tanto, el módulo de memoria bidireccional a corto plazo más profundo (DB-ConvLSTM) puede recordar la información de movimiento entre fotogramas consecutivos. Además, utilizamos la pérdida de diferencia RGB para sustituir la pérdida de flujo óptico como restricción temporal, lo que reduce en gran medida el tiempo de extracción del flujo óptico. En comparación con los métodos más avanzados en la tarea de detección de anomalías, los experimentos demuestran que nuestro método puede detectar con mayor precisión las anomalías en diversas escenas de videovigilancia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:detección de anomalías, campo receptivo diferente, aumento de vídeo, pérdida de diferencia rgb, información parcial espacio-temporal, pérdida de flujo óptico, precisión de anomalías, red de predicción novedosa, extracción de flujo óptico, características de apariencia detalladas
• Keywords:anomalies detection, different receptive field, rise of video, rgb difference loss, partial spatiotemporal information, optical flow loss, accuracy of abnormalities, novel prediction network, optical flow extraction, detailed appearance features