在物联网环境中基于深度学习的异常行为检测
1School of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing 100876, China.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
这项研究引入了一种新的方法,用于通过时间结构性注意力和对比学习来检测视频监控流中的异常行为. 该方法显著提高了智能城市和公共安全系统中异常检测的准确性和可靠性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 视频监控对于智慧城市和公共安全至关重要.
- 现有的方法在有限的异常数据,相似的正常/异常细分和糟糕的时间建模方面扎.
- 物联网 (IoT) 产生了大量的视频流,需要有效的异常检测.
研究的目的:
- 开发一种先进的弱监督视频异常检测方法.
- 解决现有方法在处理数据稀缺和时间依赖方面的局限性.
- 提高物联网环境中异常检测的效率和可靠性.
主要方法:
- 时间结构注意力与对比学习的整合.
- 使用因果面具和时间衰变权重来限制时间关系并防止未来的信息泄露.
- 采用正负偏移和对比学习来提高异常细分的可区分性.
主要成果:
- 在公共视频异常检测数据集上具有卓越的性能.
- 获得了98.1%的AUC,96.1%的ACC和94.5%的F1分数.
- 与现有的主流模型相比,已经证明了显著的改进.
结论:
- 拟议的方法为物联网视频监控提供智能,高效和可靠的异常检测.
- 对加强公共安全和智能监控有重大影响.
- 有效地克服了弱监督的视频异常检测方面的挑战.
