买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利一种基于特征差异学习的弱监督的视频异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116912746B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310941277.3，技术领域涉及：G06V20/40；该发明授权一种基于特征差异学习的弱监督的视频异常检测方法是由唐俊;张印;王科;朱明设计研发完成，并于2023-07-28向国家知识产权局提交的专利申请。

本一种基于特征差异学习的弱监督的视频异常检测方法在说明书摘要公布了：本发明公开了一种基于特征差异学习的弱监督的视频异常检测方法，包括：1将视频数据划分成不重叠的片段，并通过预训练的视频特征提取器获取原始视频片段特征；2将原始特征通过细粒度时间特征融合网络获得局部增强特征；3将原始特征和局部增强特征通过多头交叉注意力网络获得全局增强特征，并融合局部增强特征和全局增强特征得到增强特征；4将增强特征通过片段分类器得到异常得分，并计算用于关键片段选取的特征差异度，通过设计损失函数优化网络实现视频的异常检测。本发明只利用视频级标签，通过构建时间关系提取网络获得局部和全局的时间依赖性，并利用片段之间的差异性提高异常事件的区分度，有效提升了视频异常检测的准确率。

本发明授权一种基于特征差异学习的弱监督的视频异常检测方法在权利要求书中公布了：1.一种基于特征差异学习的弱监督的视频异常检测方法，其特征在于，包括以下步骤： 步骤一：获取带有视频级标签的一段视频，且，当时，表示视频中存在异常事件，当，表示视频中无异常事件； 将视频划分为时间上不重叠的视频片段序列，其中，表示第个视频片段，表示视频片段的数量； 利用特征提取器获取的RGB特征，得到视频片段的初始特征，其中，表示第个视频片段的RGB特征，表示视频片段的特征维度； 步骤二：构建视频异常检测网络，并用于对初始特征进行处理，得到视频V的片段异常得分，其中，表示第个视频片段的异常得分，且； 所述视频异常检测网络包括：细粒度时间特征融合模块、多头交叉注意力模块和片段分类器，并按如下过程进行处理； 步骤2.1、构建所述细粒度时间特征融合模块，依次由个多尺度扩展卷积单元串联组成，其中，多尺度扩展卷积单元由三个具有不同卷积核大小的扩展卷积层并联组成； 将视频片段的初始特征经过的卷积处理，得到降维后的初始特征； 当时，将输入第个多尺度扩展卷积单元中，分别通过三个具有不同卷积核大小、且膨胀率均为的扩展卷积层的处理后，得到的三个卷积结果，再依次通过BatchNorm层和ReLU激活函数的处理，从而生成三个具有不同尺度时间依赖性的特征； 第个多尺度扩展卷积单元将特征进行矩阵拼接后输入Dropout层中，输出第个拼接特征，并将与进行跳连接后，得到第个时间特征表示； 当时，将第个时间特征表示输入所述第个多尺度扩展卷积单元中进行处理，得到第个时间特征表示，从而由第个多尺度扩展卷积单元输出第个时间特征表示，并作为所述细粒度时间特征融合模块最终输出的局部时间增强特征，记为； 步骤2.2、多头交叉注意力模块的处理； 将初始特征和局部时间增强特征分别通过的卷积处理后，得到降维后的初始特征和降维后的增强特征，并输入所述多头交叉注意力模块中，从而利用式1-式3相应得到第个注意力头的查询、键和值： 1 2 3 式1-式3中，，表示多头交叉注意力模块的注意力头数，表示第个注意力头的第一个全连接层，表示第个注意力头的第二个全连接层，表示第个注意力头的第三个全连接层，表示LayerNorm层； 所述多头交叉注意力模块利用式4生成第个注意力头的注意力分布 4 式4中，表示注意力分布的特征维度； 个头的注意力分布进行拼接，并通过另一个全连接层进行投影后，与降维后的初始特征进行跳连接，得到多头注意力分布 所述多头注意力分布依次通过另一个LayerNorm层和一个多层感知机MLP的处理后，并与多头注意力分布进行跳连接，从而得到最终的全局时间增强特征； 将局部时间增强特征和全局时间增强特征拼接后通过一个一维卷积层进行特征融合，并与初始特征进行跳连接，从而得到最终的增强特征； 步骤2.3、片段分类器的处理； 将增强特征依次通过第一个全连接层、第一个ReLU激活函数、第一个Dropout层、第二个全连接层、第二个ReLU激活函数、第二个Dropout层的处理后，得到最终的特征映射； 所述特征映射经过一个sigmoid函数的处理后，得到视频V的片段异常得分，其中，表示第个视频片段的异常得分，且； 步骤三：分别将异常视频和正常视频输入所述视频异常检测网络中进行处理，得到：异常视频的增强特征和片段异常得分，正常视频的增强特征和片段异常得分，其中，和表示异常视频中第个片段的增强特征和异常得分，和表示正常视频中第个片段的增强特征和异常得分； 步骤四：利用式8构建总体损失函数： 8 式8中，和分别是排序损失和分类损失的权重因子；表示排序损失函数，表示分类损失函数； 步骤五：利用梯度下降法对所述视频异常检测网络进行训练，并计算总体损失函数，当训练迭代次数达到设定的次数或总体损失函数收敛时，训练停止，从而得到训练后的视频异常检测模型，用于对视频进行异常识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。