针对视频异常事件的时空相关性学习对检测性能存在重要影响的问题，提出基于融合双支特征的带约束损失的视频异常检测方法（dual-branch feature fusion based constrained multi-loss video anomaly detection， DBF-CML-transMIL）。...
详细信息
针对视频异常事件的时空相关性学习对检测性能存在重要影响的问题，提出基于融合双支特征的带约束损失的视频异常检测方法（dual-branch feature fusion based constrained multi-loss video anomaly detection， DBF-CML-transMIL）。该方法考虑多示例学习中片段的显著性和相关性，利用多层线性神经网络学习各片段空间显著性特征，设计级联Transformer融合模块，学习示例间的多层时序相关性；然后利用多损失模型对融合特征进行多Loss监督学习，丰富预测多样性；针对现有top-k的离散性问题，提出带约束机制的滑窗top-k强化异常事件的相关性。在UCF-Crime和ShanghaiTech数据集上的对比试验与消融实验表明，提出方法的异常检测曲线下面积（area under curve，AUC）分别达到83.82%和97.33%；各模块都能有效提升视频异常事件检测的性能。
在室内定位服务中,WiFi指纹技术因其覆盖面积广、定位精度高而受到人们的广泛关注.然而,对于在线阶段的位置查询,用户的个人敏感信息容易受到恶意攻击而造成位置隐私泄露.现有基于WiFi指纹的室内定位技术仅考虑室内单一空旷平面,这使得WiFi部署的灵活性受到限制.而当WiFi部署在多维场景时,空间位置隐私问题亟待解决.提出了一种基于地理不可区分性的WiFi指纹室内定位隐私保护方案,用户利用自身接收信号强度生成一个新的接收信号强度向量,并通过加噪混淆将得到的数据发送给位置服务提供商,同时引入数字签名技术,在混淆位置被发送给位置服务提供商实现定位之前确保客户端身份不被伪造.基于模拟实验平台的实验结果表明,该方案支持WiFi的灵活部署,能够在保护位置隐私的同时,首次实现12个WiFi接入点灵活部署情况下的高精度定位,保证定位误差小于1 m.
暂无评论