El modelo no supervisado de detección de anomalías en video basado en el estilo U-net tiene un buen desempeño de detección, pero debido al uso de operaciones convolucionales normales con características locales inherentes, el codificador estilo U-Net no puede extraer eficazmente la información contextual global, y el uso de conexiones de salto simples no obtiene información de características efectivas. La función de pérdida L₂ utilizada solo considera las diferencias a nivel de píxel y no puede capturar las características estructurales de la imagen. En respuesta, se propuso un algoritmo de detección de anomalías en video que combina convolución híbrida y atención multiescala, y se añadió la función de pérdida de similitud estructural (SSIM) para optimizar el modelo. Específicamente, se añadió un módulo de convolución híbrida en la última capa del codificador para mezclar características espaciales y posicionales y extraer la información contextual global. Se añadió un módulo de atención multiescala en las conexiones de salto entre el codificador y el decodificador, lo que permite que el modelo extraiga características más valiosas y logre conexiones de salto efectivas. Se usa la función de pérdida de similitud estructural con restricciones paramétricas junto con la función de pérdida L₂ para optimizar el modelo de manera más precisa. Los resultados experimentales muestran que el algoritmo propuesto alcanza índices AUC de 96.7 % y 86.1 % en los conjuntos de datos públicos UCSD-Ped2 y CUHK Avenue, con una mejora del 1.6 % y 1.4 % en comparación con el modelo mejorado, lo que demuestra la efectividad del modelo propuesto.

información contextual;conexiones de salto;convolución híbrida;atención multiescala;similitud estructural