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！

龙图腾网获悉闽江学院申请的专利基于多子簇记忆原型的无监督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：CN118366084B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202410634276.9，技术领域涉及：G06V20/40；该发明授权基于多子簇记忆原型的无监督视频异常检测方法是由曾坤;吴云涛;李佐勇;樊好义;胡蓉设计研发完成，并于2024-05-21向国家知识产权局提交的专利申请。

本基于多子簇记忆原型的无监督视频异常检测方法在说明书摘要公布了：本发明涉及一种基于多子簇记忆原型的无监督视频异常检测方法，属于视频异常检测技术领域。该方法首先使用基于对比学习的视频特征聚类方法学习视频段特征，避免了获取有标签数据难度大成本高的问题；然后，提出了多子簇记忆原型模块，利用正常视频相互间的细粒度特征差异学习记忆原型，并对视频特征进行重建，有效提升了检测性能；此外，还提出了一种高斯滤波特征变换方法，增强了重建过程中正常特征和异常特征的可分离性，有效缓解了之前的方法中异常样本也能被有效重建的问题。

本发明授权基于多子簇记忆原型的无监督视频异常检测方法在权利要求书中公布了：1.一种基于多子簇记忆原型的无监督视频异常检测方法，其特征在于，包括： 使用基于对比学习的视频特征聚类方法学习视频段特征； 提出多子簇记忆原型模块，利用正常视频相互间的细粒度特征差异学习记忆原型，并对视频特征进行重建； 提出一种高斯滤波特征变换方法，增强重建过程中正常特征和异常特征的可分离性； 该方法实现方式为：首先对输入的视频进行特征提取；然后，通过高斯滤波特征转换模块对输入的视频进行处理，将视频增强为一组成对的样本；接着，由基于对比学习的视频特征聚类方法学习视频特征并在高维向量空间对视频特征进行聚类；而后，由多子簇记忆原型模块学习视频特征分布并进行特征重建；最后，通过特征重建的重建误差进行异常判定； 所述由基于对比学习的视频特征聚类方法学习视频特征并在高维向量空间对视频特征进行聚类的具体实现方式为： 首先，构建基于对比学习的视频特征聚类模块，其使用多尺度时间网络MTN作为对比学习的编码器；两个MTN分别定义为Sq和Sk，其中Sq的输入为Sk的输入为Sq输出称为判别特征，记为Sk的输出称为原型特征，记为和表示为： 接着，在Sq、Sk之后分别添加非线性投影头Gq·和Gk·；经过非线性投影头获得判别嵌入和原型嵌入表示为： 为提升对比学习的效果，定义一个数据样本队列Q；每个小批次得到的都存入队列中，当队列装满时最先入队的元素被移出队列并丢弃，这使模型能够重用前几个批次中的样本；由于队列Q的大小允许比小批次大小大得多，使得对比学习能够拥有庞大的负样本； 而后进行聚类过程： 1子簇内聚合损失函数：为聚合属于相同子簇的样本，定义一个子簇聚合损失函数，具体表达如下： 其中表示若干批次中存储在队列中的N表示小批次大小，NQ表示队列Q的长度，Tg为温度参数； 接着，定义一对结构相同的MLP网络Φq和Φk，将和映射到K维的分配权重和其表示为： 其中分配权重和代表其对应的判别特征和原型特征属于每个簇的权重； 每个小批次的子簇权重向量描述为矩阵Pq和Pk： 其中，T为向量转置符号； 然后，将矩阵Pq和Pk由行优先形式转化为列优先形式可得： 2子簇间分离损失函数：为减少子簇内的多样性，使子簇相互之间更好的分离，定义了一个子簇间分离损失函数；子簇间分离损失函数由分配权重损失和聚类正则化损失组成；子簇间分离损失函数表达为： 其中qrj表示向量qr中下标为j的元素，β是权重参数； 多子簇视频特征聚类模块的聚类损失函数Lcluster由损失Lagg和损失Lsep共同组成，其中损失Lagg鼓励减少子簇内的多样性，而损失Lsep则鼓励增加子簇间的多样性；Lcluster定义为： Lcluster＝Lagg+Lsep 3动量更新：在训练过程中Sq、Gq和Φq作为常规网络，通过反向传播进行参数更新，Sk、Gk和Φk作为动量网络，不通过反向传播进行参数更新，它们的参数更新公式为： 其中θq代表Sq、Gq和Φq的网络参数，θk代表Sk、Gk和Φk的网络参数，μ∈[0,1为动量系数。

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闽江学院，其通讯地址为：350108 福建省福州市闽侯县上街镇溪源宫路200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。