异常事件检测研究之路（一 ）

        课题定为异常事件检测以来，做了很多小实验，但是一直感觉自己并没有碰触到核心的部分，最近看了一篇很有收获的文章，是第一篇将深度学习算法引入异常事件检测中，来自文作者Dan Xu 等，文章名字为‘Learning Deep Representations of  Appearance and Motion for Anomalous Event Detection ’，看了这篇文章，先介绍一下文章的每一部分内容。

一、摘要

       此文章是第一篇将深度学习特征引入异常检测中，提出了一个AMDN （Appearance and Motion DeepNet ）网络，结合运动目标的外观和运动信息，去自动学习特征表示，并且提出了新颖的双融合策略，包含传统的早期融合和后期融合策略，文章大致是引入了stacked denoising autoencoders （级联的降噪自编码），对输出的特征采用多层one-class SVM （一分类svm）去进行预测每个输入是异常的得分。

二、介绍

            

这一部分大概介绍了传统的检测方法，以及深度学习最近的引入，上图为该文章的总体思路。

2.1.1 Denoising Autoencoders （降噪自编码）

      这一部分介绍了降噪自编码的原理，降噪自编码（DAE ）是一个有隐层的神经网络，它是通过将原始数据部分去破坏，通过破坏的数据x去重构原始数据，一般对原始数据破坏的方式有给原始数据加入高斯噪声、椒盐噪声等；一般降噪自编码可以分为两个部分：编码和解码，它们之间有一个单一共享的隐层。这两个部分都去学习各自的映射函数，w表示权重，b表示偏重，编码和解码都有各自的变量因子，每一层的输出表达式为s(Wxi+ b)，其中s指的是映射函数比如常用sigmoid函数， 采用了编码/解码结构，这个网络就可以自动的学习到能代表输入比较稳定的特征。

         降噪自编码就是在学习这四个参数(W;W0;b;b0)  ，使得下式目标函数达到最优，目标函数为：

                                                 <