《表3 多场景训练并测试：一种监控摄像机干扰检测模型》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种监控摄像机干扰检测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文提出一种基于Siamese架构的SCG模型，可以极大减少特殊场景引起的监控视频干扰的误检测。使用Siamese架构来捕捉样本对之间的相似性度量进行对比学习，使SCG模型更好的识别和区分特殊场景与干扰事件。在Siamese架构融合改进的Conv GRU网络来提取视频时序特征，同时在Conv GRU的每个GRU单元间嵌入了非局部操作模块，用于提取图像各位置点的相互依赖关系来增强提取特征的全局代表性。相较于传统的GRU模块，改进的Conv GRU更适合提取监控视频的样本特征，使模型的准确率提升了4.22%。除此之外，本文还使用残差注意力模块对特征提取网络进行了改进，与未加入注意力模块的模型相比，引入注意力模块后模型的准确率再次提高了2.49%。本文后续将尝试三输入分支结构的Siamese网络，使改进模型同时接收三个输入样本，同时包括正样本与负样本，加快网络学习，同时本文将尝试在模型顶层引入分类思想，实现检测具体干扰种类的功能。