相关实验视频
Updated: Jul 13, 2026
07:51
Video Movement Analysis Using Smartphones ViMAS: A Pilot Study
Published on: March 14, 2017
16.7K
超越MSE的SSIM:视频异常检测的新视角
Jin Fan1, Miao Chen2, Zhangyu Gu2
1Department of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, 310018, Zhejiang, China; Zhejiang Provincial Key Laboratory of Internet in Discrete Industries, Hangzhou Dianzi University, Hangzhou, 310018, Zhejiang, China; Research and Development Center of Transport Industry of New Generation of Artificial Intelligence Technology, Hangzhou, 310018, Zhejiang, China.
概括
这项研究通过使用结构相似度指数 (SSIM) 将模型与人类感知对齐来增强视频异常检测. 这提高了公共安全应用程序的准确性和可解释性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 模式识别 模式识别
背景情况:
- 当前的视频异常检测模型往往无法与人类的感知保持一致,因为它们依赖于平均平方误差 (MSE).
- 这些模型优先考虑纹理而不是形状,导致解释性差和性能限制.
- 现有的方法很难准确地识别人类视觉系统 (HVS) 感知到的异常.
研究的目的:
- 通过结合人类视觉相关性来优化视频异常检测模型.
- 为了改善模型检测到的异常与人类感知之间的对齐.
- 为了提高模型的解释性和检测异常视频模式的整体性能.
主要方法:
- 引入一种新的基于结构相似度指数 (SSIM) 的损失函数.
- 使用SSIM开发一种新的异常分数计算方法.
- 在3D卷积 (STE-3D) 中整合一个时空增强块,以改进特征捕获.
主要成果:
- 基于SSIM的损失强调了形状信息而不是纹理,提高了模型的可解释性.
- 基于SSIM的异常分数更好地与人类视觉感知保持一致.
- 该STE-3D块有效地捕捉了时空特征,并弥补了SSIM损失限制.
- 在UCSD Ped1/Ped2,CUHK Avenue和上海科技等基准标准上的实验验证显示了显著的性能改善.
结论:
- 拟议的方法整合了SSIM损失和STE-3D,有效地改善了视频异常检测.
- 将模型与人类视觉感知对齐,导致更易于解释和更准确的异常检测.
- 这些方法很轻,可以与现有的3D卷积模型无集成.
