Das unüberwachte Video-Anomalieerkennungsmodell auf Basis des U-net-Stils erzielt gute Erkennungsergebnisse, aber aufgrund der Verwendung der normalen Faltung mit ihren inhärenten lokalen Eigenschaften kann der U-Net-Stil-Encoder globale Kontextinformationen nicht effektiv extrahieren, und einfache Sprungverbindungen führen nicht zu effektiven Merkmalsinformationen. Die verwendete L₂-Verlustfunktion berücksichtigt nur pixelbasierte Unterschiede und kann keine strukturellen Merkmale des Bildes erfassen. Daher wurde ein Video-Anomalieerkennungsalgorithmus vorgeschlagen, der hybride Faltung und mehrskalige Aufmerksamkeit kombiniert und eine strukturelle Ähnlichkeitsverlustfunktion (SSIM) zur Optimierung des Modells hinzufügt. Konkret wurde im letzten Layer des Encoders ein hybrides Faltungsmodul hinzugefügt, das räumliche und Positionsmerkmale kombiniert, um globale Kontextinformationen zu extrahieren. Zwischen Encoder und Decoder wurde eine mehrskalige Aufmerksamkeitsmodul in den Sprungverbindungen hinzugefügt, damit das Modell wertvollere Merkmale extrahieren und effiziente Sprungverbindungen realisieren kann. Die parametergestützte strukturelle Ähnlichkeitsverlustfunktion wird zusammen mit der L₂-Verlustfunktion verwendet, um das Modell genauer zu optimieren. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Algorithmus bei den öffentlichen Datensätzen UCSD-Ped2 und CUHK Avenue AUC-Werte von 96,7 % bzw. 86,1 % erreicht, was eine Steigerung von 1,6 % bzw. 1,4 % gegenüber dem verbesserten Modell darstellt und die Effektivität des vorgeschlagenen Modells bestätigt.

Kontextinformationen;Sprungverbindungen;hybride Faltung;mehrskalige Aufmerksamkeit;strukturelle Ähnlichkeit