SiTGRU：用于异常检测的单隧道门控循环单元

异常检测是一项具有挑战性的任务，因其依赖于特定上下文以及实际场景的无约束可变性。近年来，它受益于深度神经网络学习的强大特征，以及专为异常检测器设计的手工特征。然而，这些具有高复杂度的方案在处理长期序列数据（如视频）时仍存在局限，且其学到的特征未能充分捕获有用信息。循环神经网络（RNNs）已被证明能够鲁棒地处理长期序列中的时序数据。在本文中，我们提出一种新颖的门控循环单元（GRU）版本，称为用于异常检测的单隧道 GRU（Single Tunnelled GRU）。具体而言，单隧道 GRU 丢弃了 GRU 单元中忽视过去内容重要性、仅偏重当前输入的重置门，从而获得优化的单门控单元模型。此外，我们用 sigmoid 激活替代标准 GRU 中的双曲正切激活，因为前者在更深网络中会出现性能损失。实证结果表明，我们所提出的优化 GRU 模型在 CUHK Avenue 和 UCSD 数据集上的检测与泛化任务多数指标上优于标准 GRU 和长短期记忆（LSTM）网络。该模型计算高效，相较标准 RNNs 减少了训练与测试时间。