利用二幂次网络实现鲁棒且计算高效的异常检测
机器学习
2019-11-01 v1 信号处理
机器学习
摘要
视频中鲁棒且计算高效的异常检测是视频监控系统中的一个问题。我们提出一种技术，以在基于卷积神经网络（CNN）并利用视频数据光流信息的异常检测器中提升鲁棒性并降低计算复杂度。我们通过去噪 CNN 的中间层输出以及使用二幂次权重来降低网络复杂度，后者将计算昂贵的乘法操作替换为位移位操作。推理过程中的去噪操作将小值的中间层输出强制为零。由于去噪，网络中的零值数量显著增加，我们可以比可比网络快约 10% 地实现 CNN，同时检测出测试集中的所有异常。结果表明去噪操作也提供了鲁棒性，因为小的中间值对最终结果的贡献可忽略。在训练期间，我们还通过生成对抗网络（GAN）生成运动矢量图像，以提升整体系统的鲁棒性。我们通过实验观察到所得系统对背景运动具有鲁棒性。
引用
@article{arxiv.1910.14096,
title = {Robust and Computationally-Efficient Anomaly Detection using Powers-of-Two Networks},
author = {Usama Muneeb and Erdem Koyuncu and Yasaman Keshtkarjahromi and Hulya Seferoglu and Mehmet Fatih Erden and Ahmet Enis Cetin},
journal= {arXiv preprint arXiv:1910.14096},
year = {2019}
}