买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学申请的专利基于双流膨胀3D卷积网络和全新损失函数的视频异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115731418B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211475696.4，技术领域涉及：G06V10/764；该发明授权基于双流膨胀3D卷积网络和全新损失函数的视频异常检测方法是由李群;潘许贝;肖甫;盛碧云;沙乐天设计研发完成，并于2022-11-23向国家知识产权局提交的专利申请。

本基于双流膨胀3D卷积网络和全新损失函数的视频异常检测方法在说明书摘要公布了：基于双流膨胀3D卷积网络和全新损失函数的视频异常检测方法，首先将每一个视频定义为一个视频包，划分出正类包和负类包，然后按照相同的帧数分割成若干视频片段，每一个片段看作是一个视频实例；接着输入到双流膨胀3D卷积网络I3D中提取视觉特征；同时通过光流提取网络得到视频实例的光流图像，再输入到双流膨胀3D卷积网络中提取光流特征；接着将图像特征和光流特征进行拼接得到该视频实例的I3D特征；最后将I3D特征输入到全连接分类网络中，并通过全新损失函数对全连接分类网络进行训练，最终得到能对异常事件进行有效检测的分类网络。本方法在训练时使用视频级的标签代替帧级别的标签，有效减少人工标注的成本，能显著提高模型对异常事件检测的精度。

本发明授权基于双流膨胀3D卷积网络和全新损失函数的视频异常检测方法在权利要求书中公布了：1.基于双流膨胀3D卷积网络和全新损失函数的视频异常检测方法，其特征在于：所述方法具体包括如下步骤：S1，收集视频数据，将视频数据分为训练集和测试集，将每个视频定义为一个视频包，在训练集中，将包含一个或多个异常事件的视频包定义正包，将只含正常事件的视频包定义为负包；S2，将S1中训练集和测试集的每个视频包按照相同的帧数分成若干视频片段，将每个视频片段看作是一个视频实例；S3，将S2中得到的训练集视频实例输入到I3D网络中，从而提取到每个视频实例的视觉特征；S4，将S2中得到的训练集视频实例输入到光流提取网络中，从而提取到每个视频实例的光流图像，再将光流图像输入到I3D网络中，进而得到每个视频实例的光流特征；S5，将S3和S4得到的视觉特征和光流特征进行拼接形成最终分类所需的I3D特征；S6，将S5中得到的I3D特征输入到一个三层的全连接神经网络中，并通过一个全新损失函数对该神经网络进行训练，最终训练得到一个能对异常事件和正常事件进行区分的网络模型；所述S6提出的模型训练使用的全新损失函数，其构建的具体步骤如下：S6-1，对于给定的正包视频实例pi和负包视频实例ni，期望pi的异常得分大于ni，因此得到如下损失函数：spi＞sni其中，spi和sni分别表示视频实例pi和ni的异常得分；S6-2，为了使得正包视频实例的异常得分大于负包视频实例，因此对S6-1中的损失函数进一步改进得到新的损失函数如下： 其中，mean方法表示对视频包中的所有实例异常得分取均值；S6-3，对正包和负包分别取前LPK和LnK个最大的实例得分进行排序比较，改进后的损失函数如下： 其中，k_mean表示分别取正包和负包中前LPK和LnK个异常得分最大的视频实例得分，计算它们的平均值；K为超参数，即选取的实例得分个数占总视频实例数的比率；S6-4，对S6-3得到的损失函数进行适当调整，得到新的损失函数如下： S6-5，对于负包，提出平滑性约束，损失函数如下： 其中，var方法表示对负包中所有视频实例得分取方差；S6-6，最终构建的损失函数如下：loss＝k_loss+λs_loss其中，λ为超参数，即s_loss对应的权重系数；S7，将S2中得到的测试集视频实例依次通过S3、S4和S5步骤获得测试集视频实例的I3D特征；S8，将S7获得的测试集视频实例I3D特征输入S6中训练得到的视频异常检测模型中，进而得到测试集视频实例的异常得分，从而实现对异常事件的有效检测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。