O modelo não supervisionado de detecção de anomalias em vídeo baseado no estilo U-net apresenta bons resultados de detecção, mas devido ao uso de operações convolucionais ordinárias com características locais inerentes, o codificador no estilo U-Net não consegue extrair efetivamente informações contextuais globais, e o uso de conexões de salto simples não obtém informações eficazes de características. A função de perda L₂ utilizada considera apenas as diferenças em nível de pixel e não consegue capturar as características estruturais da imagem. Em resposta, foi proposto um algoritmo de detecção de anomalias em vídeo que combina convolução híbrida e atenção multiescala, adicionando a função de perda de similaridade estrutural (SSIM) para otimizar o modelo. Especificamente, um módulo de convolução híbrida foi adicionado na última camada do codificador, que mistura características espaciais e posicionais para extrair informações contextuais globais. Um módulo de atenção multiescala foi adicionado nas conexões de salto entre o codificador e o decodificador, permitindo que o modelo extraia características mais valiosas e realize conexões de salto eficazes. A função de perda de similaridade estrutural com restrições paramétricas é usada juntamente com a função de perda L₂ para otimizar o modelo com maior precisão. Os resultados experimentais mostram que o algoritmo proposto atinge índices de AUC de 96,7% e 86,1% nos conjuntos de dados públicos UCSD-Ped2 e CUHK Avenue, com melhorias de 1,6% e 1,4% em relação ao modelo aprimorado, comprovando a eficácia do modelo proposto.

informações contextuais;conexões de salto;convolução híbrida;atenção multiescala;similaridade estrutural