文献类型：期刊文章

作　　者：朱松豪[1] 赵云斌[1]

ZHU Songhao;ZHAO Yunbin(College of Automation&College of Artificial Intelligence,Nanjing University of Posts and Telecommunications,Nanjing 210023,China)

机构地区：[1]南京邮电大学自动化学院、人工智能学院,江苏南京210023

出　　处：《南京邮电大学学报（自然科学版）》

基　　金：南京邮电大学校级科研基金(NY217066,NY219107)资助项目。

年　　份：2020

卷　　号：40

期　　号：4

起止页码：50-56

语　　种：中文

收录情况：BDHX、BDHX2017、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对简单的、人为规定的异常行为,对基于半监督的生成式对抗网络GANomaly进行了改进,并将其应用于视频异常行为检测。具体说来,为了使神经网络更加鲁棒,利用标签平滑可以促使网络产生更紧密的类内的聚类和更大的类别间的分离;为了防止模型崩溃并加快模型的收敛速度,在对抗训练中采用最小二乘损失函数,而不是二分类交叉熵损失函数;为使生成网络更精确地刻画行为的外观信息,在重构损失中施加强度损失和梯度损失。在含有类别标记信息的公共数据集UCSD datasets上测试和证明这一方法的稳定性和准确性,并与几个经典的异常行为检测方法和原始的GANomaly进行了对比,实验结果证明所提出的方法更适合异常检测,且进一步提高了异常行为检测模型的稳定性和准确率。

关 键 词：异常行为检测 半监督生成式对抗网络  标签平滑  

分 类 号：TP391.41]