一种多尺度高维特征分析无监督学习视频异常检测方法

技术特征：

1.一种多尺度高维特征分析无监督学习视频异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种多尺度高维特征分析无监督学习视频异常检测方法，其特征在于，步骤s2具体包括：

3.根据权利要求1所述的一种多尺度高维特征分析无监督学习视频异常检测方法，其特征在于：步骤s3所述的端到端自编码器模型由卷积通道编码器、transformer通道编码器、特征融合模块、记忆网络和解码器decoder构成。

4.根据权利要求1所述的一种多尺度高维特征分析无监督学习视频异常检测方法，其特征在于，步骤s3具体方法如下：

5.根据权利要求1所述的一种多尺度高维特征分析无监督学习视频异常检测方法，其特征在于，步骤s4所述的记忆网络模块具体方法如下：

6.根据权利要求1所述的一种多尺度高维特征分析无监督学习视频异常检测方法，其特征在于，步骤s6中均方误差公式如下：

技术总结
本发明公开了一种多尺度高维特征分析无监督学习视频异常检测方法，采用具有卷积与自注意力提取特征的并行网络作为核心模块，整体架构采用端到端的自编码器架构，从卷积层和Transformer注意力计算层提取视频序列的表现特征与时空特征，对所有特征加以融合后，结合记忆网络来对多尺度特征进行解码预测，最终输出预测视频帧。本发明采用上述的一种多尺度高维特征分析无监督学习视频异常检测方法，使用端到端网络用于提取视频序列图像的表示特征和时空特征，提高视频帧预测的精度、增强了训练正常样本特征信息的多样性，提高了视频异常检测的异常分数评估。

技术研发人员：汪炜杰,樊谨,陈淼,陈琪凯,杨勇
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/1/16