Learning Memory-guided Normality for Anomaly Detection论文解析

近日拜读了本篇论文，有以下理解：

1.问题研究背景

检测视频序列中的异常事件（如人行道上的车辆）的问题对监控和故障检测系统尤为重要。由于一些原因，它是极具挑战性的。首先，异常事件是根据不同的情况而确定的。也就是说，同样的活动可能是正常的，也可能是不正常的（例如，在厨房或在公园里拿刀cnn是什么意思啊)。在这种情况下，手动注纯牛奶怎么选释异常事件是劳动密集型的。其次，收集异常数据集需要大量的努计算机视觉就业前景力，因为异常事件在现实生活中很少发生。因此&#纯牛奶可以加热吗xff0c;异常检测通常被认为是一个无监督的学习问题，目的在于学习一个描述常态的模型，没有异常的样本。在测试时，不被模型描述的事件和活动就被认为是异常的。

2.创新点

1、由于单一原型特征不足以表示正常数据的各种模型，所以本文使用多个原型来代表正常视频帧的不同模型，计算机视觉就业前景同时引入memory模块，以此记录正常数据的原纯牛奶怎么选型特征。

2、提出特征紧凑性和分离性损失来训练记忆，并提出一种新记忆更新方案&#xf计算机视觉研究包括哪些f0c;且仅在正常样本情况下纯牛奶早上喝好还是晚上喝好进行更新。

3、提供了广泛的实验分析与消融计算机视觉研究

3.算法流程

3.1训练阶段

训练阶段主要包括三个部分：重建视频帧、训练损失和异常得分。

3.1.1重建视频帧

在重建视频帧阶段，本文使用计算机视觉的研究方向广泛用于重建和未来帧计算机视觉的应用场景有哪些预测的U-Net架构&计算机视觉的应用#xff0c;从输机器学习入视频帧中提取特征，并在特征中重建帧。但本文在编码器中删除了最后一层归一化和ReLU层，增加了一个L2层。

由于单一的原型特征不足以代表正常数据的各种模式。也就是说，在正常视频帧的特纯牛奶的功效与作用征空间中存在多种原型类型（即模式或特征的中心点），本文提出了一个用于异常检测的内存模块，其中内存中的单个项目对应于正常模式的原型特征。我们使用memory计算机视觉属于人工智能吗项目中计算机视觉的应用场景有哪些的原型特征来表示视频帧，减少了CN计算机视觉属于人工智能吗N的容量。

首先纯牛奶怎么选输入正常视频帧It到编码器中，编码器进行查询特征(queries feature)cnn是什么意思啊的提取,这些特征被用来检索memory中的原型正常模式并更新记忆&#xcnn是什么意思啊ff0c;memory模块中的items进纯牛奶怎么选行read和u计算机视觉系统主要解决pdate操作，在update中，对于每个记忆项&计算机视觉属于人工智能吗#xff0c纯牛奶哪个牌子的好喝又营养;本文选择所有被认为是最近的queries，并通过使用加权分数防止存储器在测试时记录异常样本的特征，然后把memory items和query features读取到解码器计算机视觉就业前景中，从而重建未来视频帧。

详解见

Learning Memory-guided No计算机视觉系统主要解决rmality for Anomaly Detection 模型介绍_m0_51951959的博客-CSDN博客

3.1.2 训练损失

在训练损失阶段，本文通过对比输出It和ground truth计算出r纯牛奶可以加热吗econstruction loss，从而使解码器重建的视频帧与地面相似。

F计算机视觉的应用eature compac计算机视觉的研究方向tness loss将正常视频帧的特征映射到内存中最近的项目并鼓励queries接近mem计算机视觉的研究方向ory中最近的项目&#x计算机视觉ff0c;但由于所有queries都在嵌入空计算机视觉是什么间内紧密映射&#纯牛奶可以加热吗xf纯牛奶排行榜前十位f0c;使得所有q纯牛奶ueries和items都相互接近，然而memory中的items应该有足够的距离&#xff0c计算机视觉的应用场景有哪些;以考虑各种模式的正常cnn数据。

所以为了解决上述问题，同时获得紧凑的特征表示，本文提出fe计算机视觉的应用ature separate计算机视觉的应用场景有哪些ness loss，使每个特征与其最近的项目之间的距离最小化，同时使该特征与第二个最近的项目之间的差异最大化，从而产生将item放在远处的效果，实现允许更新离queries最近的纯牛奶哪个牌子的好喝又营养项目，同时消除第二近项目的影响&#xff纯牛奶早上喝好还是晚上喝好0c;将记忆中的单个项目分开，并增强特征和记忆项目的辨别能力。

3.2测试阶段

通过训练集数据将模型计算机视觉训练计算机视觉系统主要解决好以后，进行测试阶段，此时利用a计算机视觉案例bnormality score对视频帧中的正常和异常程纯牛奶什么时候喝最好度进行量化。

详细过程见
Learning Memory-guided Normality for Anomaly Detection创新点介绍_m计算机视觉案例0_52218200的博客-CSDN博客

代码详解见

Learning Memory-guided Normality for Anomaly Detection 代码解析_Jam_in_C_ma纯牛奶排行榜前十位jor的博客-CSDN博客

本文仅作为科研研究