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:
<