1.多尺度特征融合及多种注意力结合的弱监督异常检测方法，其特征在于，包括：步骤1、采集训练视频集，所述训练视频集包括正常视频和异常视频；

步骤2、将正常视频切分成含有T个互不重叠的视频片段的负包 将异常视频切分成含有T个互不重叠的视频片段的正包 每个片段包含c帧连续画面；

n a n a

步骤3、采用I3D卷积网络分别提取正包V 和负包V中每个视频片段的时空特征X和X ；

n a n a

并采用多尺度特征融合网络对正包V和负包V中的时空特征X 、时空特征X分别进行特征n a融合，得到正包的多尺度特征Y和负包的多尺度特征Y；

n a

步骤4、采用多头自注意力机制分别在正包的多尺度特征Y 和负包的多尺度特征Y中加n a入注意力获得加入注意力机制的多尺度特征F和F；

n a

步骤5、采用通道注意力机制分别对加入注意力机制的多尺度特征F 和F进行降维、升n a维、sigmoid函数计算通道注意力权重以及给加入注意力机制的多尺度特征F 和F 每个通道n a赋予权重后得到加入多种注意力机制的多尺度特征Z和Z；

n a

步骤6、采用一个全连接层网络对加入多种注意力机制的多尺度特征Z和Z进行线性回n a n a归，并得到V和V中每个片段的异常分数包S和S；

n a

步骤7、根据异常分数包S和S构建目标损失函数对步骤4至步骤6的参数进行优化。

2.根据权利要求1所述的多尺度特征融合及多种注意力结合的弱监督异常检测方法，n a n其特征在于，所述步骤3中采用多尺度特征融合网络对正包V 和负包V 中的时空特征X 、时a n a空特征X分别进行特征融合，得到正包的多尺度特征Y和负包的多尺度特征Y具体包括：n a

S301、采用m个一维卷积核分别对时空特征X、时空特征X 进行卷积操作，一维卷积核的大小为l，其表达式分别为：n n

Y1＝conv1(X，l，m)；

a a

Y1＝conv1(X，l，m)；

n a

步骤302、采用m个一维卷积核分别对时空特征X 、时空特征X再次进行卷积操作，一维卷积核的大小为l′，其表达式分别为：n n

Y2＝conv1(X，l′，m)；

a a

Y2＝conv1(X，l′，m)；

步骤303、步骤301卷积输出的特征和步骤302卷积输出的特征与时空特征融合得到多尺度特征，其表达式分别为：n n n n

Y＝[X，Y1，Y2]；

a a a a

Y＝[X，Y1，Y2]。

3.根据权利要求1所述的多尺度特征融合及多种注意力结合的弱监督异常检测方法，n其特征在于，所述步骤4中采用多头自注意力机制分别在正包的多尺度特征Y 和负包的多a n a尺度特征Y中加入注意力获得加入注意力机制的多尺度特征F和F具体包括：n a n a

步骤401、采用一个全连接层将多尺度特征Y和Y分别转化为共享矩阵Y(c)和Y(c)；

n a n n n a a a步骤402、通过共享矩阵Y(c)和Y(c)分别生成q、k、v和q、k、v，计算公式为：n Q n

q＝WY(c)；

n K n

k＝WY(c)；

n V n

v＝WY(c)；

a Q a

q＝WY(c)；

a K a

k＝WY(c)；

a V a

v＝WY(c)；

Q K V

式中，W、W、W为权重矩阵；

n n n a a a

步骤403、根据多头自注意力的头的数量，将q、k 、v和q 、k 、v分割成 和n步骤404、将 与 转置相乘，接着采用softmax函数得到自注意力图M ；再将自注意力n n n n图M 与v 转置相乘得到自注意力矩阵q (c)；然后进行归一化操作得到多个特征o ，n n最后将多个特征o连接起来得到多尺度特征F ；

a

同理，将 和 转置相乘，接着采用softmax函数得到自注意力图M ；再将自注意力图a a aM 与 转置相乘得到自注意力矩阵q (c)；然后进行归一化操作得到多个特征o ，n a最后将多个特征o连接起来得到多尺度特征F。

4.根据权利要求1所述的多尺度特征融合及多种注意力结合的弱监督异常检测方法，其特征在于，所述步骤7中构建目标损失函数为：L＝Lrank+Lsparse+Lsmooth式中，Lrank为排序损失函数，Lsmooth为平滑损失函数，Lsparse为改进的稀疏损失函数，其中：Lrank计算公式为：

a n

Lrank＝L(S)+L(S)式中， 表示为正包中第i个异常分数， 表示负包中第i个异常分数；

Lsmooth的计算公式为：a 2 a

Lsparse的计算公式为：Lsparse＝(mean(S)‑η) ，式中，η为平均分参考值，mean(S)为正包中异常分数的平均分。