面向铁路视频监控入侵检测的增强少样本学习
机器学习
2020-11-10 v1 系统与控制
信号处理
系统与控制
摘要
近年来，视频监控在辅助铁路入侵检测方面日益普及。然而，由于以下原因，高效且准确的入侵检测仍是一项具有挑战性的问题：(a) 样本数量有限：仅可获得少量（或一小部分）入侵视频帧；(b) 场景间差异小：安装在不同的地貌中的摄像机捕获了各种各样的铁路轨道区域场景；(c) 场景内相似度高：单个摄像机捕获的视频帧共享相同的背景。本文提出了一种高效的少样本学习方案来解决上述问题。具体而言，使用原始视频帧以及从视频中提取的轨道区域分割掩码来训练一个增强的模型无关元学习器。此外，提供了理论分析与工程方案以应对元模型训练阶段中高度相似的视频帧。所提方法在真实铁路视频数据集上进行了测试。数值结果表明，该增强元学习器仅利用少量新收集的 video 帧样本即可成功适应未见的场景，且其入侵检测精度优于标准随机初始化监督学习。
引用
@article{arxiv.2011.04254,
title = {Enhanced Few-shot Learning for Intrusion Detection in Railway Video Surveillance},
author = {Xiao Gong and Xi Chen and Wei Chen},
journal= {arXiv preprint arXiv:2011.04254},
year = {2020}
}
备注
11 pages, submitted