上下文建模与推理的视频异常事件检测

视频异常事件检测旨在从视频中自动地检测出不符合正常事件规律的视频事件.视频中许多正常和异常的事件是由目标与场景或其它目标交互而产生的,即它们是以目标为中心且高度上下文相关的.如何从底层的视频特征中提取事件高层语义上下文信息,并根据上下文信息进行视频异常事件检测仍是一个开放的难题.为此,本文提出了一种新的上下文建模与推理的视频异常事件检测方法.本文方法通过建立视频的上下文图,自动地推理事件相关的语义上下文信息,以缩小底层视觉特征与异常事件高层语义之间的差距,实现异常事件检测.具体来说,首先使用了预训练的目标检测网络,提取目标初始的表观特征、目标之间的时空关系特征和场景特征;其次设计了一个上下文图推理模块,通过建模时空上下文图,将提取到的特征显式地建模为三类语义上下文,包括事件目标的个体行为、不同目标之间的时空关系以及目标与场景之间的交互,其中图的节点表示目标/场景,图的边表示时空关系;最后构建了一个异常预测模块,根据推理到的语义上下文信息进行异常事件检测.本文的上下文图推理模块基于平均场理论,通过使用多个带有消息传递模块的循环神经网络,迭代更新图的节点和边的状态,目的是从底层的视觉特征中推理得到高层的语义上下文.本文的异常预测模块包括注意力池化网络层和全连接网络层,通过输入语义上下文信息,计算视频帧的异常分数,从而正确地进行异常事件检测.实验中,设计了一个自训练策略,分别使用了无监督、半监督、弱监督和监督四种训练策略,以端到端的方式训练时空上下文图推理模块和异常预测模块.本文方法在四个公开的数据集上进行了实验,包括三个半监督的数据集Subway (Entrance/Exit)、Avenue和ShanghaiTech,以及一个监督的数据集UCF-Crime.与不使用上下文的方法相比,本文方法在Subway(Entrance/Exit)、Avenue和ShanghaiTech数据集上的无监督AUC指标分别提高了2.7%/3.1%、2.0%和2.9%,半监督AUC指标分别提高了3.5%/3.3%、4.0%和4.3%.在监督数据集UCF-Crime上,与没有使用上下文的方法相比,本文方法在半监督AUC、弱监督AUC和监督AUC的指标上分别提高了2.1%、0.4%和9.2%,取得了有竞争力的表现.

为上下文显式独立建模的中文实体识别方法

现有中文命名实体识别(NER)模型在公开数据集上的表现相对成熟,但有研究指出,模型过度依赖实体文本的字面特征,而上下文对实体识别的影响却未得到重视。现有的模型在简单的泛化测试中表现较差,因此本文提出显式地为上下文独立建模,令模型对上下文和实体的字面信息进行区分。为此,也提出了相应的数据增强方法用于训练模型中的上下文模块、实体字面模块和综合模块。实验结果表明,本文提出的方法在不损失测试集识别效果的情况下,明显改善了模型在不变性测试中的表现,较基准模型其失败率降低了2.3%。

JPEG2000中重要性编码及上下文建模的改进

众所周知,基于上下文建模的算术编码是JPEG2000标准中的关键技术,而对于重要性编码,JPEG2000中采用的上下文模型是码块内的8邻域系数,由于其根据经验将所有上下文分成9类,且所有比特平面都使用这套固定的上下文分类方案。因此针对这种上下文分类方案的不足,对JPEG2000中重要性编码及其上下文建模方式进行了改进,即首先建立比原来的3×3更大的上下文模型;然后提出了一种基于重要上下文的扫描方式;最后基于新的扫描方式根据最小码长的准则进行上下文量化的优化,考虑到不同子扫描之间的统计差异,对不同的扫描子过程使用不同的上下文模型方案。实验结果表明,与JPEG2000的无损压缩相比,新的重要性编码算法的无损压缩结果(平均比特率)较JPEG2000提高了1.312%。

基于证据理论的上下文本体建模以及不确定性推理方法

不确定上下文信息的表示与推理是研究和开发上下文感知系统的重点和难点。该文首次将证据理论和本体相结合,提出了基于证据理论的不确定性上下文本体建模方法,并对证据组合规则进行了修改,不仅解决了证据理论在高度证据冲突时的局限性,而且使得该推理模型具有自适应性,设计并实现了不确定上下文推理算法。最后,通过在原型系统中的医疗监护和诊断应用,验证了该方法的可行性、合理性和有效性。

基于上下文建模的分类排序小波图像编码算法

该文提出了基于上下文建模的分类排序小波图像编码算法。该方法使用与JPEG2000标准相同的上下文模型,以最小化相对熵为准则用动态规划获得优化的上下文分类。在重要性编码中结合优化的上下文分类进行排序编码。实验数据表明该算法的压缩能力优于JPEG2000,尤其适于低码率压缩。

基于本体的建筑信息上下文建模

针对当前建筑领域信息利用效率低下,信息共享与重用难等问题,文章将上下文信息引入到本体模型中,构建了基于本体的建筑信息上下文模型,可以快速有效地对建筑信息进行管理。该模型包括用户上下文和工程上下文,并以小型加油站建设为例进行具体说明,首先利用Protégé建立了上下文本体模型,然后利用OWL公理和SWRL规则建立知识模型,最后利用推理机对模型进行推理,并通过案例说明基于本体上下文建模的优势。实验结果表明:文章提出的基于本体的上下文建模方法可有效地管理建筑工程信息,可快速有效地对建筑信息进行推理,为施工过程中的计划管理和进度管理提供了较好的支持。

区分性模型组合中基于决策树的声学上下文建模方法

上下文相关的区分性模型组合的局限在于引入大的模型权重参数集,在数据有限时容易导致区分性权重训练过拟合.针对该问题,本文提出利用决策树进行上下文建模,采用最小音子错误准则构建决策树以获得最优上下文相关权重参数集.决策树构造过程中通过评估目标函数的一阶近似增量来加速最优问题集的选择,并利用精细问题集来获得更好的声学区分能力.基于多模型组合的语音识别实验表明,该方法能够增强权重训练对过拟合的鲁棒性,在大幅减小参数数量的情况下降低误识率,并优于在特征空间进行组合的方法.

SPIHT算法新的上下文建模方法

SPIHT算法不仅具有递进的传输能力,而且是一种效率较高的静止图像压缩方法。针对SPIHT编码过程中熵编码简单的上下文建模过程,提出了一种改进的方法。试验结果表明在多级子带分解后,适当的上下文建模可以进一步有效地提高SPIHT算法的性能,在相同输出码率的条件下,改进的SPIHT算法比原算法峰值信噪比提高将近0.2dB。

利用小波系数上下文建模的Bayesian压缩感知重建算法

针对目前压缩感知图像重建算法没有充分利用图像小波系数尺度内相关性的缺点,提出一种上下文建模的Bayesian压缩感知重建(CBCS)算法。该算法假定图像的小波系数服从参数未知的spike-and-slab概率模型,先通过一种新的上下文建模方法得到待估计小波系数邻域内的上下文矢量,然后根据待估计系数与上下文矢量的相关性及其父亲系数的状态,推测待估计系数为显著系数的概率,最后根据待估计系数的概率,采用马尔科夫链-蒙特卡洛采样的Bayesian推理从观测向量中恢复出图像的小波系数,进而得到重建图像。实验结果表明,CBCS算法可以自适应于图像内容的变化,与仅利用尺度间相关性的小波树结构的压缩感知重建算法相比,在0.9的采样率下,重构性能最大可提高近2dB。

基于本体的上下文信息特性建模的研究

通过分析现有上下文模型的不足,改进基于本体的上下文建模方法,增加对上下文分类、上下文依赖和上下文质量等重要上下文特性的建模,使用OWL DL语言来描述上下文特性,该模型真实的描述觉察上下文计算环境下的上下文信息,能有效的支持上下文推理。

基于注意力机制上下文建模的弱监督动作定位

弱监督动作定位仅利用视频级标签信息检测动作实例的类别和时间边界,由于缺乏帧级分类标签,部分特征不明显的动作帧难以识别,且容易混淆动作帧和上下文帧。针对这两个问题,提出一种基于注意力机制上下文建模的弱监督动作定位方法。该方法在动作—背景注意力的基础上加入半软注意力,引导模型关注动作特征不明显的视频帧;通过上下文注意力对视频上下文信息建模,使模型可以区分动作帧和上下文帧。实验结果表明,所提方法的动作定位效果较好,当交并比(IoU)为0.5时,在公共数据集THUMOS14和ActivityNet1.3上的平均检测精度(mAP)分别达到32.6%和38.6%,优于现有弱监督动作定位模型。

面向普适计算的上下文建模方法

上下文是普适计算中计算实体具有自适应能力的必要前提,也是上下感知计算领域中重要的研究内容。文中就上下文相关概念和上下文模型构建进行了阐述探讨了典型上下文建模技术的优势与缺陷,以期为上下文建模的研究提供参考。

基于上下文的自适应二进制算术编码——一种适用于视频压缩的新型熵编码

CABAC是一种适用于视频压缩的高效熵编码技术。它采用上下文建模来降低符号间的冗余度;采用递归的二进制算术编码使输出码字的信息量逼近符号的熵率,并有利于实时视频编码;采用自适应机制对视频流进行实时统计特性的跟踪。实验表明,CABAC与UVLC相比,能非常有效地节省码率,但是其复杂度要高一些。

面向普适环境的上下文感知中间件研究

针对普适环境下上下文感知计算需求,引入广义模型化理论,建立了一种面向通用环境资源的上下文信息数据模型;在此基础上,提出了上下文感知中间件体系框架,并详细阐述了其构件化的实施方案。该中间件平台的上下文获取层能够封装各类感知器捕获的资源信息,中间处理层负责信息的管理、推理和聚合,基于门面模式的上下文访问层提供同步和异步相结合的上下文信息统一访问入口。通过实验测试了平台的时间损耗,表明该中间件可提供通用的上下文感知服务且具有较好的系统性能。

上下文感知:普适计算的灵魂

介绍了上下文的概念和特性,就上下文感知中的一些技术和当前国际上的研究方向作了较详细的介绍和分析,对上下文感知技术的方向进行了展望,最后对全文作了总结,期望对上下文未来的发展有更深的洞悉。

上下文感知计算中的时序表示与推理方法研究

分析了基于本体论的上下文建模方法,对现有上下文本体进行了分类和比较,并针对其在时序表示方面存在的问题,提出了基于资源描述框架(RDF)具体化的上下文时序信息表示方法,扩展了上下文本体的描述能力。同时针对上下文感知中的时序推理问题,提出了一个持续时间推理算法;另外还通过整合Allen区间代数和本体推理实现了时序关系推理。最后通过实验验证了上述两种时序推理方法的效率。

面向智能汽车空间的本体建模与映射研究

该文利用本体层次化上下文建模方法,建立了一个智能汽车空间本体。为了解决上下文本体模型与上下文推理方法之间的信息共享问题,提出了一种基于概念的本体映射方法,实现了一个识别智能汽车空间内司机状态的原型系统。实验结果表明,本体模型和推理方法能较有效地识别司机的不同状态。

基于上下文感知的室内路径规划研究

为实现精细化的室内导航服务,综合考虑室内空间特性以及上下文感知应用需求,定义了规范化的室内导航模型数据结构,设计了室内POI数据模型,并针对不同类型POI给出了对应的POI与导航模型的转换方法。具体分析了时间、位置、用户、拥挤、事件5类典型上下文信息对路径规划的影响并建立对应的描述模型。基于所提空间模型与上下文信息模型,提出了上下文感知的路径规划实现流程与方法,并针对拥挤情况、事件两类上下文信息的特点建立了对应的权值更新方法。设计了两组不同上下文背景条件下的室内路径规划模拟实验,通过比较分析其最优路径结果,验证了本文所提模型与方法的有效性。

Context建模技术的基因组压缩算法的研究

Context建模熵编码技术被广泛应用到数据压缩,诸如JPEG2000、MPEG4、H.264,基因组压缩等。经过几十年的发展,基于上下文建模的熵编码已经取得了很大的进展。一方面是一系列问题没有得到突破和解决,如自适应建模方法、上下文权重优化、模型代价等。为了解决这一问题,该算法可以提高压缩性能。另一方面,随着第二代基因组技术的应用,DNA的大数据量呈指数级增长,对数据的存储提出了更高的要求。仿真结果表明,与原有的DNA序列压缩算法相比,该方法是一种很好的解决这一问题的方法,可以提高熵编码的效率。

基于上下文快速有效的自适应二进制算术编码实现

介绍算术编码的原理和基于模型的自适应算术编码算法,并利用二进制高效率的索引树这样一个数据结构对传统的自适应算术编码进行了改进。实验表明,无论对于高度集中的数据集还是对于分布较为均匀的数据集,在运行时间上新算法都有较大的改进。验证了该算法在提高解的精度和加快收敛速度方面都有显著改善,从而为解决函数优化问题提供了一种行之有效的新方法.