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！

龙图腾网获悉安徽大学申请的专利一种基于自进化的弱监督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：CN116912742B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310887130.0，技术领域涉及：G06V20/40；该发明授权一种基于自进化的弱监督的视频异常检测方法是由唐俊;郝冠宇;王年;朱明设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于自进化的弱监督的视频异常检测方法在说明书摘要公布了：本发明公开了一种基于自进化的弱监督的视频异常检测方法，包括：1将数据集通过视频特征提取器提取得到原始特征；2将原始特征通过时间依赖性网络提取富含时间信息的特征；3将富含时间信息的特征通过自进化方法形成置信度矩阵和相似度标签矩阵；4根据相似度标签矩阵形成片段级的伪标签；5将伪标签形成交叉熵损失指导网络优化完成异常检测任务。本发明通过自进化方法使得深度网络在训练初期仅关注特征更明显的样本，随着网络的更新迭代逐步学习更难以分类的样本，利用片段级伪标签代替视频级的弱标签进行训练，使所有片段参与训练，从而更有效地利用数据集同时，能提高视频异常检测的精度。

本发明授权一种基于自进化的弱监督的视频异常检测方法在权利要求书中公布了：1.一种基于自进化的弱监督的视频异常检测方法，其特征在于，包括以下步骤： 步骤一：获取弱标签的视频集其中，Vk表示由T个片段构成的第k个视频，yk∈{0,1}表示第k个视频的标签，若yk＝1，表示第k个视频中包含异常片段；若yk＝0，表示第k个视频全部为正常片段；|D|表示视频的总数； 由弱标签的视频集D中所有标签取值为1的视频构成正包Dab；由弱标签的视频集D中所有标签取值为0的视频构成负包Dnor，其中，ab表示含有异常片段，nor表示仅含有正常片段； 从负包Dnor和正包Dab中分别选取B2个视频构成一批视频并输入视频编码器中进行处理，得到一批视频的I3D特征矩阵Fnor,ab∈RB×T×C；其中，B为批量大小，C为特征维度，T为片段数，且Fnor,ab中的前B2个特征为负包特征，记为Fnor，Fnor,ab中的后B2个特征为正包特征，记为Fab； 步骤二：构建深度可分离时间依赖性网络，并对所述I3D特征矩阵Fnor,ab∈RB×T×C进行处理，得到总时间依赖特征 将所述总时间依赖特征输入第一全连接层中进行处理，得到异常检测特征并继续输入第二全连接层中进行处理，得到第二异常检测特征对第二异常检测特征进行线性归一化处理后，得到异常检测概率向量scab∈RB×T×1； 步骤三：通过自进化方法对总时间依赖特征进行处理，得到置信度矩阵W和相似度标签矩阵RL； 根据式10构建均方误差损失函数LRLij,Wij,CSij： 式10中，Wij表示置信度矩阵W中第i行第j行的置信度；RLij表示似度标签矩阵RL中第i行第j行的相似度标签；CSij为相似度矩阵CS中第i行第j行的元素，表示一批视频中第i个片段与第j个片段的相似度； 根据式11构建所述深度可分离时间依赖性网络的自进化损失函数Lse： 式11中，fu,s表示不可信空间逐步压缩函数；u、s为两个阈值； 步骤四：根据相似度标签矩阵RL和置信度矩阵W生成伪标签向量 步骤五、构建损失函数： 步骤5.1、根据伪标签向量利用式12构建所述深度可分离时间依赖性网络的交叉熵损失Lce： 式12中，表示中第m个片段的伪标签，表示中第m个伪标签对应片段为异常的概率，m∈{1,...,2M}； 步骤5.2、根据式13构建所述深度可分离时间依赖性网络的总体损失L： L＝Lce+λ1Lse+λ2Lts+λ3Lsp13 式11中，λ1，λ2，λ3为平衡损失项的三个损失权重；Lts表示时间平滑损失，并由式14得到，Lsp表示稀疏性损失，并由式15得到； 式14和式15中，表示一批视频中第e个片段到第f个片段的异常检测概率组成的序列；表示第e个片段到第f+1个片段的异常检测概率序列； 步骤六、基于弱标签的视频集利用梯度下降法对所述深度可分离时间依赖性网络进行训练，并计算所述总体损失L以更新网络参数，直到所述总体损失L收敛为止，从而得到训练好的视频异常检测模型，用于对任意视频进行异常检测。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。