欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2018107157416
申请人: 中国地质大学(武汉)
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于注意机制的异常事件监测方法,其特征在于,模型训练步骤和数据处理步骤,模型训练步骤包括前向传播步骤和后向传播步骤;

其中,前向传播步骤包括:

S1、用一段视频作为训练数据,视频中每帧都有一个标签,标签中yt表示是否异常,然后对训练数据通过VGG网络进行特征提取,每帧图像得到一个k*k*D的特征立方体;

S2、由多层感知器初始化得到第一帧上的k*k个注意区域的概率l1,将l1与VGG提取的第一帧的特征立方体上的区域分别相乘得到一个新值,并将此新值作为输入给LSTM;经过LSTM的softmax激活函数预测第二帧的k*k个注意区域的概率l2,经过tanh激活函数预测表示第一帧图片是否为异常;

S3、第二帧时,用前一帧预测得到的l2和VGG提取到的第二帧的特征立方体相乘,作为该帧LSTM输入,预测l3和 若 预测为异常,那么在l2的k*k个区域中,哪个区域概率大,就认为这个区域为异常区域范围,并通过图片大小和区域位置折算出坐标信息;

S4、采用与步骤S3同样的方法,来进行后续帧的处理,直至训练数据处理完毕;

后向传播步骤:在利用训练数据训练时,在前一帧训练完成时,利用损失函数和注意力惩罚所形成的双重随机惩罚函数的最优解来更新前向传播时的权值;权值w更新为其中α为学习率,双重随机惩罚函数L为:第一项是时间序列的交叉熵,yt是每帧是否异常的真实值, 是每帧是否异常的预测值,T是时间总长度,第二项是注意机制的约束项,lt,i是softmax激活函数,为了使得代价函数L最小, 要趋于1,即某个注意区域在所有时刻激活函数输出和为1,这样惩罚了模型总是注意同一个区域的情况,λ是注意惩罚系数,第三项是正则化,防止过拟合,γ是权重衰减系数,θ代表所有的模型参数。

数据处理步骤:利用模型训练步骤训练得到的模型,对待处理视频进行处理,检测出异常事件及异常事件的发生区域。

2.根据权利要求1所述的基于注意机制的异常事件监测方法,其特征在于,步骤S1中,作为所述训练数据的视频来源于UCSD数据集。

3.根据权利要求1所述的基于注意机制的异常事件监测方法,其特征在于,步骤S2具体包括:采用以下初始化策略获取LSTM的细胞状态和隐藏状态以加快收敛速度:

然后采用C0以及h0计算初始输入帧X1的l1,finit,c和finit,h是是两个多层感知器,T是时间总长度,l1表示第一个经过softmax激活函数后得到的各区域概率。

4.根据权利要求1所述的基于注意机制的异常事件监测方法,其特征在于,其中wi是第i个元素的权重,Lt表示有1-k2个区域的随机变量,ht为隐藏状态。

5.根据权利要求1所述的基于注意机制的异常事件监测方法,其特征在于,所述VGG网络具体是指VGG19部分网络结构。

6.一种基于注意机制的异常事件监测系统,其特征在于,模型训练模块和数据处理模块,模型训练模块包括前向传播模块和后向传播模块;

其中,前向传播模块包括:

特征提取子模块,用于用一段视频作为训练数据,视频中每帧都有一个标签,标签中yt表示是否异常,然后对训练数据通过VGG网络进行特征提取,每帧图像得到一个k*k*D的特征立方体;

初始帧处理子模块,用于由多层感知器初始化得到第一帧上的k*k个注意区域的概率l1,将l1与VGG提取的第一帧的特征立方体上的区域分别相乘得到一个新值,并将此新值作为输入给LSTM;经过LSTM的softmax激活函数预测第二帧的k*k个注意区域的概率l2,经过tanh激活函数预测 表示第一帧图片是否为异常;

第二帧处理子模块、第二帧时,用前一帧预测得到的l2和VGG提取到的第二帧的特征立方体相乘,作为该帧LSTM输入,预测l3和 若 预测为异常,那么在l2的k*k个区域中,哪个区域概率大,就认为这个区域为异常区域范围,并通过图片大小和区域位置折算出坐标信息;

迭代处理子模块,用于采用与步骤第二帧处理子模块同样的方法,来进行后续帧的处理,直至训练数据处理完毕;

后向传播模块,用于在利用训练数据训练时,在前一帧训练完成时,利用损失函数和注意力惩罚所形成的双重随机惩罚函数的最优解来更新前向传播时的权值;权值w更新为其中α为学习率,双重随机惩罚函数L为:第一项是时间序列的交叉熵,yt是每帧是否异常的真实值, 是每帧是否异常的预测值,T是时间总长度,第二项是注意机制的约束项,lt,i是softmax激活函数,为了使得代价函数L最小, 要趋于1,即某个注意区域在所有时刻激活函数输出和为1,这样惩罚了模型总是注意同一个区域的情况,λ是注意惩罚系数,第三项是正则化,防止过拟合,γ是权重衰减系数,θ代表所有的模型参数。

数据处理模块,用于利用模型训练模块训练得到的模型,对待处理视频进行处理,检测出异常事件及异常事件的发生区域。

7.根据权利要求1所述的基于注意机制的异常事件监测系统,其特征在于,特征提取子模块中,作为所述训练数据的视频来源于UCSD数据集。

8.根据权利要求1所述的基于注意机制的异常事件监测系统,其特征在于,初始帧处理子模块具体用于:采用以下初始化策略获取LSTM的细胞状态和隐藏状态以加快收敛速度:

然后采用C0以及h0计算初始输入帧X1的l1,finit,c和finit,h是是两个多层感知器,T是时间总长度,l1表示第一个经过softmax激活函数后得到的各区域概率。

9.根据权利要求1所述的基于注意机制的异常事件监测系统,其特征在于,其中wi是第i个元素的权重,Lt表示有1-k2个区域的随机变量,ht为隐藏状态。

10.根据权利要求1所述的基于注意机制的异常事件监测系统,其特征在于,所述VGG网络具体是指VGG19部分网络结构。