卷过CNN-CSDN博客

原创 Convolutional Transformer based Dual Discriminator Generative Adversarial Networks for Video Anomaly

假设模型只能泛化到与训练集相同分布的数据，测试集中的异常活动将表现为偏离规则模式。常见方法是在训练阶段学习一个能够在正常视频片段中捕获规则模式的模型，并检查测试视频片段中是否存在偏离规则模式的不规则模式。该模型不仅要表现规律的外观，还要捕捉正常的时空动态，以区分视频序列中的异常活动和正常活动。本文开发了基于Convolutional Transformer的双鉴别生成对抗网络(CT-D2GAN)来执行半监督视频异常检测。

2024-05-13 14:27:12 1456 2

原创 Learning Memory-guided Normality for Anomaly Detection论文解读

基于卷积神经网络CNN的异常检测方法的主要缺点是没有明确考虑正常样本的多样性和CNN的强大表示能力能很好重构异常视频帧。为此本文提出了一种带有更新方案的内存模块，模块中的item能够记录正常数据的原型模式。还提出了新的特征紧凑性和分离性损失来训练内存，提高了内存item和从正常样本中深度学习特征的辨别能力。在标准基准上的实验结果证明了本文方法的有效性和高效性。

2023-12-03 14:13:59 1631 1

原创 Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection论文概述

由于稀疏寻址的策略，MemAE模型被促使用最佳的和最高效的方式使用数量有限的内存槽，使内存能够记录正常训练数据中的原型正常模式，以获得较低的平均重建误差；在测试阶段，已经学习好的内存内容是固定的，并使用输入编码的邻域中的少量正常内存items来获得重建。在本文中，我们提出了一种内存增强自动编码器MemAE，以提高基于自动编码器的无监督异常检测方法的性能。由于存储器是为了记录原型正态模式而训练的，因此所提出的MemAE可以很好地重建正态样本，并放大异常的重建误差，这增强了重建误差作为异常检测标准的能力。

2023-11-30 12:03:58 442

原创 U-Net网络及代码介绍：U-Net: Convolutional Networks for Biomedical Image Segmentation

本文提出了一种用于生物医学图像分割的卷积神经网络结构，称为 U-Net。U-Net 的设计主要针对生物医学图像分割任务，如细胞分割、器官分割等。U-Net 网络结构具有 U 字形的特点，它由对称的下采样（编码器）和上采样（解码器）部分组成。

2023-11-02 22:53:27 1401

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人