融合记忆模块与编解码框架的异常行为识别算法

大多基于深度学习的异常行为识别算法的主要思路是学习单一正常行为带有的特征,并在识别阶段用预测误差或重建误差判断当前帧是否存在异常行为,但由于正常行为的多样性,使得在识别阶段会对正常行为造成误判。为此,本文提出融合记忆模块与编解码框架的异常行为识别算法,通过引入记忆模块来存储多种正常行为的特征。实验表明,与最新的算法相比,本文的算法在公开数据集Avenue和ShanghaiTech Campus上的异常识别AUC分别提升了0.049和0.028。