由于异常定义的模糊性,异常数据的稀少性,以及复杂的环境背景和人类行为,视频异常检测是计算机视觉领域中一大难题。现有基于深度学习的异常检测方法往往是利用训练好的网络提取特征或者是基于现有网络结构的,而并非针对于异常检测这个...由于异常定义的模糊性,异常数据的稀少性,以及复杂的环境背景和人类行为,视频异常检测是计算机视觉领域中一大难题。现有基于深度学习的异常检测方法往往是利用训练好的网络提取特征或者是基于现有网络结构的,而并非针对于异常检测这个目标而设计网络的。提出一种基于深度支持向量数据描述(Deep Support Vector Data Description, DSVDD)的方法,通过学习一个深度神经网络,使得输入的正常样本空间能够映射到最小超球面。通过DSVDD,不仅能找到最小尺寸的数据超球面以建立SVDD,而且可以学习有用的数据特征表示以及正常模型。在测试时,映射在超球面内的样本被判别为正常,而映射在超球面外的样例判别为异常。提出的方法在CUHK Avenue和ShanghaiTech Campus数据集上分别取得了87.4%和74.5%的帧级AUC,检测结果优于现有的最新方法。展开更多
随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep ...随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。展开更多
为解决传统航空发动机异常检测方法准确率和泛化性能较低的问题,提出一种混合核最大相关熵的深度支持向量数据描述(mixed kernel maximum correntropy criterion-deep support vector data description,MKMCC-DSVDD)方法。首先,采用合...为解决传统航空发动机异常检测方法准确率和泛化性能较低的问题,提出一种混合核最大相关熵的深度支持向量数据描述(mixed kernel maximum correntropy criterion-deep support vector data description,MKMCC-DSVDD)方法。首先,采用合成少数类过采样技术扩充异常样本规模,提高对非均衡样本的泛化性能;其次,建立基于混合核改进的最大相关熵损失函数,可以在无须数据分布假设的前提下提升准确率;最后,构建基于MKMCC-DSVDD的航空发动机异常检测方法。在航空发动机气路系统和滑油系统异常检测实验中,所提方法平均曲线下的面积(area under curve,AUC)达到98.53%,表明其具有较高的实用性和泛化性能。展开更多
针对行星滚柱丝杠(planetary roller screw mechanism,PRSM)在实际应用中故障机理不明和故障种类少,难以有效进行故障决策这一现存问题,提出采用单分类模型——深度支持向量数据描述(deep support vector data description,deep SVDD)...针对行星滚柱丝杠(planetary roller screw mechanism,PRSM)在实际应用中故障机理不明和故障种类少,难以有效进行故障决策这一现存问题,提出采用单分类模型——深度支持向量数据描述(deep support vector data description,deep SVDD)进行故障检测,判断PRSM是否处于正常状态。首先,在PRSM试验台上采集正常状态、润滑失效和滚柱一侧断齿3种状态的振动信号;其次,对数据进行归一化并通过窗口裁剪的方式进行数据增强,以扩充样本数量;然后,通过小波包变换对信号进行分解,以初步提取数据的特征;最后,利用deep SVDD实现PRSM故障检测,同时与单分类支持向量机(one-class support vector machine,OCSVM)和支持向量数据描述(support vector data description,SVDD)方法进行对比,结果表明,deep SVDD具有更好的分类能力和较高的训练效率,较为适合实现PRSM故障检测。展开更多
异常检测由于其广泛的应用一直是数据挖掘中一个重要的研究分支,它有助于研究人员获得重要的信息进而对数据做出更好的决策。提出了一种基于钉板分布稀疏变分自编码器的异常检测模型。首先,使用离散−连续混合模型钉板分布作为变分自编...异常检测由于其广泛的应用一直是数据挖掘中一个重要的研究分支,它有助于研究人员获得重要的信息进而对数据做出更好的决策。提出了一种基于钉板分布稀疏变分自编码器的异常检测模型。首先,使用离散−连续混合模型钉板分布作为变分自编码器的先验,模拟隐变量所在空间的稀疏性,得到数据特征的稀疏表示;其次,以所提出的自编码器构建深度支持向量网络,对特征空间进行压缩,并采用最优超球体区分正常数据和异常数据;再次,以数据特征和超球体中心之间的欧氏距离完成异常检测;最后,在基准数据集MNIST(modifiednational institute of standards and technology database)和Fashion-MNIST上的实验评估表明,与现存的异常检测算法相比,本文所提出的算法具有更好的检测效果。展开更多
文摘由于异常定义的模糊性,异常数据的稀少性,以及复杂的环境背景和人类行为,视频异常检测是计算机视觉领域中一大难题。现有基于深度学习的异常检测方法往往是利用训练好的网络提取特征或者是基于现有网络结构的,而并非针对于异常检测这个目标而设计网络的。提出一种基于深度支持向量数据描述(Deep Support Vector Data Description, DSVDD)的方法,通过学习一个深度神经网络,使得输入的正常样本空间能够映射到最小超球面。通过DSVDD,不仅能找到最小尺寸的数据超球面以建立SVDD,而且可以学习有用的数据特征表示以及正常模型。在测试时,映射在超球面内的样本被判别为正常,而映射在超球面外的样例判别为异常。提出的方法在CUHK Avenue和ShanghaiTech Campus数据集上分别取得了87.4%和74.5%的帧级AUC,检测结果优于现有的最新方法。
文摘随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。
文摘为解决传统航空发动机异常检测方法准确率和泛化性能较低的问题,提出一种混合核最大相关熵的深度支持向量数据描述(mixed kernel maximum correntropy criterion-deep support vector data description,MKMCC-DSVDD)方法。首先,采用合成少数类过采样技术扩充异常样本规模,提高对非均衡样本的泛化性能;其次,建立基于混合核改进的最大相关熵损失函数,可以在无须数据分布假设的前提下提升准确率;最后,构建基于MKMCC-DSVDD的航空发动机异常检测方法。在航空发动机气路系统和滑油系统异常检测实验中,所提方法平均曲线下的面积(area under curve,AUC)达到98.53%,表明其具有较高的实用性和泛化性能。
文摘针对行星滚柱丝杠(planetary roller screw mechanism,PRSM)在实际应用中故障机理不明和故障种类少,难以有效进行故障决策这一现存问题,提出采用单分类模型——深度支持向量数据描述(deep support vector data description,deep SVDD)进行故障检测,判断PRSM是否处于正常状态。首先,在PRSM试验台上采集正常状态、润滑失效和滚柱一侧断齿3种状态的振动信号;其次,对数据进行归一化并通过窗口裁剪的方式进行数据增强,以扩充样本数量;然后,通过小波包变换对信号进行分解,以初步提取数据的特征;最后,利用deep SVDD实现PRSM故障检测,同时与单分类支持向量机(one-class support vector machine,OCSVM)和支持向量数据描述(support vector data description,SVDD)方法进行对比,结果表明,deep SVDD具有更好的分类能力和较高的训练效率,较为适合实现PRSM故障检测。
文摘异常检测由于其广泛的应用一直是数据挖掘中一个重要的研究分支,它有助于研究人员获得重要的信息进而对数据做出更好的决策。提出了一种基于钉板分布稀疏变分自编码器的异常检测模型。首先,使用离散−连续混合模型钉板分布作为变分自编码器的先验,模拟隐变量所在空间的稀疏性,得到数据特征的稀疏表示;其次,以所提出的自编码器构建深度支持向量网络,对特征空间进行压缩,并采用最优超球体区分正常数据和异常数据;再次,以数据特征和超球体中心之间的欧氏距离完成异常检测;最后,在基准数据集MNIST(modifiednational institute of standards and technology database)和Fashion-MNIST上的实验评估表明,与现存的异常检测算法相比,本文所提出的算法具有更好的检测效果。
