关键词： PC   ML   肿瘤转移   SEER数据库   列线图  

摘要： 背景:胰腺癌(Pancreatic cancer,PC)是一个高发病率、高死亡率的胃肠道肿瘤,其早期诊断困难,大部分患者被发现时已经是晚期或伴有远处转移,此时其治疗手段已经受限。因此,明确影响PC转移的因素至关重要。机器学习(Machine Learning,ML)目前在医疗研究中的作用日益提升,可借助ML对影响PC转移的因素进行进一步的探索。目的:探索PC远处转移的相关危险因素以及影响转移患者预后的因素,同时建立ML模型,并绘制列线图指导临床决策。方法:获取SEER数据库1990-2019年符合纳入和排除标准的PC患者的临床数据,使用随机森林及支持向量机两种ML方法对远处转移数据进行风险因素筛选,之后取两者交集,以进一步筛选影响肿瘤远处转移的特征。后行多因素Logistic回归探索影响PC远处转移的风险因素并建立预测模型,使用校准曲线及受试者工作特征曲线(Receiver operating characteristic curve,ROC)验证模型性能,最后绘制列线图。接着,使用陕西省人民医院队列的数据对所得模型进行验证,并绘制验证集的校准曲线及ROC曲线。之后,使用最小绝对值收敛和选择算子(Least absolute shrinkage and selection operator,LASSO)回归初步筛选影响远处转移患者预后的因素。使用单因素及多因素比例风险(Cox regression model,Cox)回归分析来进一步确定影响患者预后的因素。结果:影响PC远处转移的独立因素有5个:年龄、T、N、化疗和放疗。其中年龄<65岁及放疗是促进远处转移的危险因素,而年龄≥65岁、T3-T4、N1-N2则更多的起到了保护性作用。训练集及验证集上的曲线下面积(Area under the Curve,AUC)分别为0.717及0.847。LASSO回归筛选出了12个可能影响远处转移患者预后的因素。单因素及多因素Cox回归显示,年龄、病理分级、骨转移、脑转移、肺转移、放疗及化疗是远处转移患者预后的独立影响因素。其中年龄≥65岁、病理分级、骨、脑、肺转移是转移患者预后的危险因素,而放疗及化疗是预后的保护性因素。最后,本研究依据得到的模型建立了列线图供临床参考。结论:1、影响PC远处转移的独立因素为年龄、T、N、化疗和放疗;2、影响转移患者预后的独立因素为年龄、病理分级、骨转移、脑转移、肺转移、放疗及化疗。

关键词： 深度Ritz法   分数阶微分方程   最优控制   变分法   变分迭代法  

摘要： 分数阶微积分作为整数阶微积分的推广,具备着整数阶微积分所不具备的潜力。在过去的数十年中,分数阶微分方程被广泛应用于物理学、生物学、医学等科学和工程领域。求解高维偏微分方程一直是计算科学中的难题,传统算法在高维条件下容易出现“维数灾难”,即随着维数的增加,计算复杂度呈指数级增长,因此有限差分法和有限元法这些传统算法常被限制于处理相对低维的方程。本文对包含右Riemann-Liouville分数阶导数、左Caputo分数阶导数和边界条件的高维分数阶微分方程的解进行了近似。通过确定原方程的变分结构将求解原方程转变为求解一个最优控制问题,对这个最优控制问题采用基于深度学习的方法,即深度Ritz法,该方法可以有效地避免维数灾难。为了得到更加精确的近似解,本文还对深度Ritz法的取点方法进行了改进。为了验证深度Ritz法在近似分数阶微分方程中的有效性,本文给出了深度Ritz法在三个方程上的实验数据,结果表明该方法可以分别较好地近似低、中、高维分数阶微分方程。本文还对上述分数阶微分方程的解可以通过残差网络近似进行了理论证明,并且给出了残差网络参数总量的上限。该证明以分数阶微分方程的变分迭代法为媒介,首先证明了原方程的解可以由变分迭代法得到的迭代格式近似,然后证明该迭代格式可以通过残差网络来近似。

关键词： 保险索赔额   文本挖掘   机器学习   LDA主题模型   K均值聚类  

摘要： 随着各个行业数字化转型的发展，日常生活中要处理的数据结构越来越复杂，保险行业中传统的保险损失预测方法在解决大数据下的索赔时，尤其是包含大量非结构化信息数据时显得有些困难。如果保险公司对此有良好的损失预测能力和赔付风险管理系统，将会降低不必要的赔付支出，提升保险公司的营运水平。为此，在包含大量文本信息的基础上，本文利用机器学习理论建模预测个体保险索赔情况。　　首先，本文针对文本数据和非文本数据分别进行特征预处理。其中针对索赔描述的文本数据，一方面采用基于单词相似性的K均值聚类方法，将索赔个体划分为15个类别;另一方面，采用LDA主题模型提取8个主题降低原始文档-单词矩阵的维度，并计算出每条索赔描述语句属于每个主题的概率将其作为新的指标参与建模。同时，对文本数据外在形式特征如字符串长度、单词个数等进行刻画，作为其基本的度量指标。针对非文本数据，在数据清洗的基础上，对数据进行描述性统计分析，可视化展示并分析不同特征下因变量的分布情况，提取有效特征的同时删除重复信息。　　其次，考虑到保险领域中常用的损失预测模型的不足以及个体索赔额的连续性等分布特征，本文采用机器学习的方法进行改进。对于经过特征处理的职工意外伤害险数据集，本文建立了逻辑回归、随机森林、XGBoost和神经网络4种回归模型预测个体索赔额。采用均方根误差、平均百分比误差和判定系数作为评价指标，分别对模型进行了纵向（不同特征）和横向（不同模型）的比较，分析其性能和效果。通过对模型优化调参，最终发现包含文本特征的XGBoost模型预测效果最佳，在测试集上拟合优度为0.87。　　实证分析表明文本挖掘技术提取的文本特征指标应用到回归分析中时，可以提升模型的预测效果，该方法为保险公司在处理包含文本信息的索赔数据时提供一定的参考。

关键词： 联邦学习   脉冲神经网络   知识蒸馏   通信成本  

摘要： 近年来,联邦学习的提出为各类嵌入式设备互联互通地参与神经网络的分布式训练提供了安全而高效的解决方案,而脉冲神经网络的发展使低功耗深度学习成为可能。以此为契机,研究者们开始关注低功耗的隐私安全训练模式——基于脉冲神经网络的联邦学习(以下简称脉冲联邦学习)。然而,现存脉冲联邦学习的主流训练框架都是基于联邦学习中的传统联邦平均算法设计的。这种联邦平均框架将网络参数作为联邦学习通信的主要内容,在大规模网络参与的联合训练场景下,带来了不可接受的通信成本。为了减少大规模网络下的脉冲联邦学习通信,本文将知识蒸馏技术引入脉冲联邦学习训练,提出了一种不同于传统方案的脉冲联邦学习训练框架。本文的主要工作如下:1.本文基于知识蒸馏技术改进了经典脉冲联邦学习框架。在该框架中,本文详细地设计了参与脉冲联邦学习的各个节点的基本流程,并建立了一个完整的分布式训练系统。该框架通过将神经网络的脉冲输出和卷积层特征图作为通信主体,利用知识蒸馏技术在服务器上聚合进行联合训练。脉冲联邦蒸馏框架能够减少通信成本和信息损失,同时保证联合训练的效果。2.基于脉冲联邦蒸馏学习框架,本文对其中的必要流程进行了细化设计,提出了一种全新的脉冲知识蒸馏损失函数,一种新的联邦聚合方案以及一种针对脉冲输出的压缩算法。知识蒸馏算法需要独特的损失函数提取脉冲张量中所包含的信息,新的知识蒸馏损失函数提供了一种有效的解决方案,以最大程度地利用网络训练时的信息。联邦聚合方案能够更好地整合各个客户端上传的蒸馏信息,提取更多知识。脉冲张量压缩算法解决由于脉冲神经网络的输出包含时间维度,从而在传输时需要较大的存储空间的问题。3.在上述工作的基础上,本文进一步改进了脉冲联邦蒸馏框架,将蒸馏过程优化为含提示层的脉冲蒸馏,在不增加通信成本的同时提高了框架训练的准确率。由于提示层蒸馏的加入使得蒸馏学习框架基础有了改动,其中的细化设计也需要做出适应性调整。因此,本文相应地优化了框架中联邦聚合方案及脉冲张量压缩算法的细节,以配合提示层蒸馏方案,使得框架的整体性能得到更大的提升。

关键词： 机器学习   恶意程序识别   集成方法   决策树   随机森林   朴素贝叶斯  

摘要： 经典机器学习方法是基于数学统计的方法,相较于深度学习而言,还有着训练时占用资源低的特点,在许多领域中被广泛应用。在混淆技术已经被广泛应用于各种恶意应用程序的当下,机器学习方法具有重要意义。恶意程序是一种具有攻击企图的程序,恶意程序经过数十年的发展,目前传统的静态检测方式已经很难奏效,主要存在以下两个原因:第一,互联网的快速发展使得每个人都能编写自己的程序,恶意攻击者可以根据已经存在的恶意程序快速生成符合自己攻击意图的新恶意程序,因此一个恶意程序可能有数十种变种。第二,混淆技术的广泛应用。机器学习或深度学习方法是目前比较常用的检测混淆或检测恶意程序的方法,然而对于检测混淆特征比较好的深度学习方法在训练时需要大量的内存空间消耗,另外也缺乏比较新颖的基于动态特征检测的方法。针对这些问题,本文提出使用一种两步检测混淆恶意程序的方案:使用朴素贝叶斯方法通过检测混淆字符串的方式检测混淆,并且针对混淆程序动态运行时调用的API顺序判断是否是恶意程序。本文的主要贡献如下:1.本文提出了一种混淆恶意程序检测方案:本文通过检测混淆字符串检测混淆程序,再使用集成的机器学习方法检测上一步中的混淆程序样本是否为恶意程序。本文改进了现有的朴素贝叶斯检测混淆字符串的方法,并且将其引入混淆程序检测中。改进后的方法使用哈希词袋法,将训练过程中占用内存空间下降了95%。2.在恶意程序检测部分,本文使用的特征为调用系统API的次序,并且首次引入决策树组成的随机森林以及朴素贝叶斯的回归stacking方法。相较于采用随机森林之前的单个决策树,绝对准确率提高了3%左右,相较于采用stacking方法之前准确率提升了2%左右。恶意程序识别多分类的准确程度达到了88.3%,达到了静态识别的准确率级别。这意味着本文提出的混淆恶意程序识别方法解决了混淆识别空间开销高的问题,并且也提升了恶意程序识别的准确率,为混淆恶意程序识别提供了一条新思路。

关键词： 复杂背景   红外图像   目标检测   迁移学习   特征提取网络   数据增强  

摘要： 复杂背景下红外目标检测是基于红外图像,对多种复杂场景进行分析与理解,获取兴趣目标类别与方位的计算机视觉技术。当前,复杂背景下红外目标检测主要面临两方面的问题,一是缺少相关数据集,二是模型收敛速度慢、检测精度低。针对上述问题,本课题采用深度学习方法对复杂背景下的红外目标检测技术进行了深入研究,主要工作如下:(1)构建了针对红外目标检测的网络模型。检测网络以YOLO系列模型为框架,采用CSPDark Net-53作为特征提取网络,特征金字塔结构为特征融合网络。为使深度网络能够有效地学习到复杂背景下的图像特征,加入了高效聚合网络模块,同时引入了协调注意力机制。构建的模型有效提升了红外目标检测精度。采用红外图像数据集对构建的模型进行测试,实验结果表明相较于基准网络模型,各类目标平均正确率从34.9%提升至38.1%。(2)提出了复杂背景下的实例特征预训练方法。针对复杂背景下目标检测网络收敛速度慢的问题,该方法首先构造一个图像拼接模板,将输入图像重构为具有复杂背景的图像。然后采用重构图像,对特征提取网络进行预训练;最后借助迁移学习技术将得到的预训练模型加载到检测网络中。同时,在数据处理阶段引入了Mosaic数据增强技术,有效解决了训练数据缺乏的问题。实验结果表明网络模型收敛所需要的迭代次数减少为原来的一半,收敛速度得到有效提升。(3)进行了充分的消融验证与对比实验。消融实验由参数消融和模块消融两部分组成。通过参数消融确定了最优的网络模型参数;在模块消融实验中对每个模块进行消融训练,确定了模块对网络性能的影响。在对比实验中对比分析了本文模型与当前主流方法的红外目标检测性能。结果表明,本文模型对各类目标的现有检测精度均有提升,其中对行人正确率提升最明显,从77.2%提升至88.1%。

关键词： 小样本学习   多模态融合   图像分类   表示学习  

摘要： 深度学习模型取得了令人瞩目的成绩,但其训练依赖于大量的标注样本,在标注样本匮乏的场景下模型表现不尽人意。针对这一问题,研究者们提出了一种小样本学习方法,用于研究如何在少量样本下进行快速学习。该方法主要采用元学习方式对模型进行训练,取得了不错的学习效果。但现有方法通常仅基于样本的视觉特征来识别新类别,信息源较为单一。另一方面,元学习框架下模型旨在从大量相似的小样本任务中学习通用的、可迁移的知识,这不可避免地导致模型特征空间趋于一般化,样本特征表达不充分、不准确。针对上述问题,本文结合模型预训练技术、注意力机制和多模态学习技术来提高模型的样本特征表达能力,具体方法如下: (1)基于局部特征选择的小样本学习方法。该方法引入模型预训练技术和局部特征选择技术来增强样本特征表达能力。模型训练分为预训练和小样本元学习两个阶段。在预训练阶段,方法基于模型预训练技术在包含大量样本的已知类别上对模型进行训练,引导模型学习更加鲁棒和抽象的特征,为后续的元学习提供较好的样本特征嵌入。在元学习阶段,方法引入注意力机制,使用局部特征选择算法自适应地选择两个样本间关联性较高的重要局部特征,以构建具有区分性的样本特征表示,并利用选择后的样本特征进行小样本学习。但在该方法中,模型训练和测试过程仅依赖于样本的视觉特征,缺乏对文本模态信息的探索和利用,因此本文对方法进行改进,进一步提出基于多模态融合的小样本学习方法。 (2)基于多模态融合的小样本学习方法。该方法引入多模态学习技术,旨在从多源数据中学习到更好的特征表示。方法融合文本特征和视觉特征来提高模型的样本特征表达能力。在预训练阶段,方法利用训练样本的视觉特征与文本特征预测无标签测试样本的文本特征。在元学习阶段,方法融合样本的视觉特征和文本特征,并在融合后的样本特征上进行局部特征选择,得到更具区分性的样本特征表示,有效避免了元学习过程中模型特征表达能力的大幅下降,并利用选择后的多模态样本特征进行小样本学习。 本文在mini Image Net、CIFAR-FS和FC-100三个基准数据集上进行的实验结果表明所提出的方法能够取得更好的小样本学习效果。

关键词： 电催化   DFT   机器学习   蒙特卡洛模拟   高熵合金   析氢反应  

摘要： 高熵合金（HEA）作为催化剂在电催化领域具有巨大的应用潜力,其反应机理研究主要依靠理论模拟方法。与传统的单层材料相比,HEA需要模拟表面元素分布和表面所有位点的活性。但是由于DFT效率的限制,传统DFT方法难以满足HEA的模拟内容。所以开发一个高效而准确的模拟方法至关重要。本文中,搭建了名为DPGEN＿HEA的工作流,来分别应对这两个过程。并通过该工作流模拟了的Cu FeNiRuW、FeNiRuW高熵合金表面的析氢反应,具体工作内容如下:1.搭建了一个工作流来模拟HEA上的元素分布及全位点HER活性,根据蒙特卡洛模拟（MC）的特点对目前较流行的DP-GEN工作流中机器学习的探索（exploration）,训练（training）,标识（labelling）的描述符均做了一定的修改,把原子能添加到了损失函数公式中。用第一性原理计算的数据作为机器学习的原始数据集,再根据机器学习结合MC的循环方式来训练HEA的力场,最后得到的力场,用于MC模拟。此外,利用相似的工作流计算了所有位点的吸附能。2.通过搭建的工作流,模拟了CuFeNiRuW和FeNiRuW高熵合金纳米颗粒的HER反应,其活性顺序与实验结果一致,证实了工作流模拟的有效性。为了探究这种活性的差异,分析了Cu在元素分布以及ΔGH分布中的作用。结果表明,对于元素分布,发现Fe和Ru倾向于结合、Cu和Ni倾向结合;Cu去除后,Cu Ni相变为Ni相,容易形成Ni块状分布,而Fe Ru相仍然存在;Cu的去除对于元素与元素或者表面亲和的偏好没有影响。对于ΔGH的分布影响,发现Cu存在可以增加表面位点的构型熵,从而增加|ΔGH|<0.05 e V附近的ΔGH的分布,提高Cu FeNiRuW的活性。而Cu的去除导致Cu FeNiRuW活性3f活性位点数量的减少,从而导致活性的降低。此外,通过分析了HEA中每个元素的ΔGH的分布,发现元素之间存在“中和效应”,Cu和Ni的中和后的平均ΔGH位于这两个元素吸附能的中间。这种“中和效应”的存在进一步解释了Cu FeNiRuW催化活性高于FeNiRuW催化活性的原因。表明高熵合金元素之间的“中和效应”对于HER反应有重要的影响,这对于设计HEA催化剂有一定的指导意义。

关键词： 机器学习   异常检测   孤立森林   集成学习  

摘要： 网络的飞速发展,给人们的工作与生活带来了便利。然而,网络也随时遭受着攻击,安全形势严峻。与此同时,大数据时代背景下的高维数据使得数据分析与计算所需的时间复杂度越来越高。因此,研究出能够进行高效异常检测的方法与框架具有十分重要的意义。其中,机器学习算法以高效率、高精准度的优点在异常检测领域得到了广泛的使用。本文的工作内容为机器学习方法在网络异常检测领域的研究与应用。本课题调研和分析了近几年网络异常的分类以及异常数量的增长情况,研究了用于异常检测的机器学习算法,并设计了一种基于机器学习方法的异常检测框架。使用了一种基于Boruta算法和相关系数计算的分层特征选择方法对数据集进行处理,并对模型训练效率进行对比分析;使用了孤立森林算法(Isolation Forest,IF)、扩展孤立森林算法(Extended Isolation Forest,EIF)对数据集进行训练与预测,并使用混淆矩阵等评价指标对结果进行评估;提出了两种不同的改进方案,包括混合型孤立森林(Mixed Isolation Forest,MIF)和级联型异常检测数据评分方式,并与多种算法进行横向对比实验。本文的具体工作内容如下:首先,本文按照攻击类型对CIC-IDS-2017数据集进行划分,总共得到4个数据集。之后,使用了一种分层特征选择方法对数据集进行处理,该方法综合了 Boruta算法和相关系数计算的数据处理结果。通过实验验证了分层特征选择方法对模型训练效率的提升效果。实验表明,本文所使用的方法可以有效提高模型的训练效率,平均训练时间为7.214秒,在不影响模型检测精准度的条件下,相较于原始数据集的平均训练时间减少了 43.25%。其次,本文研究了扩展孤立森林中的扩展度对模型训练效果的影响。结果表明,扩展孤立森林算法在不同扩展度下均可以达到较好的异常检测效果,平均AUC超过了 0.9220。在此实验的基础上,本文分别使用孤立森林、扩展孤立森林在4个数据集上进行训练与预测。结果表明,两种算法在4个数据集上均能达到较好的检测精准度。其中,孤立森林算法的平均AUC值为0.8823,扩展孤立森林算法的平均AUC值为0.8890。最后,为了进一步提高异常检测的精准度,本文提出了两种不同的改进方案,包括混合型孤立森林和级联型异常检测数据评分方式。一方面,混合型孤立森林综合了数据在孤立森林、扩展孤立森林中的路径长度,最后对综合路径进行异常评分。结果表明,混合型孤立森林在4个数据集上的平均AUC值提高到了 0.8999,相较于孤立森林与扩展孤立森林的AUC值有一定的提升。另一方面,级联型异常检测数据评分方式将基学习器进行集成,并与孤立森林等算法进行级联,从而进行综合的数据评分与预测。通过设置横向对比实验可以得知,级联型异常检测数据评分方式可以进一步提高检测的精准度。综合上述完成的工作,本文设计的基于机器学习方法的异常检测框架,能够明显提升模型训练效率,并且能够提高一定的异常检测精准度,因此在异常检测领域具有一定的应用价值。

关键词： 无监督学习   自监督学习   弱监督学习   深度聚类   深度学习   小样本学习   显著目标检测   视频异常检测  

摘要： 近年来,基于深度学习的方法在计算机视觉中取得了突破性的进展,其成功的关键之一是训练数据具有完全监督的标签信息。全监督标签的获取将耗费大量的人力和物力,成为了阻碍计算机视觉发展的重要因素。在现实世界中,非常容易获取大量的无标签或弱标签等标签受限的数据。随着研究的深入,如何有效利用这些标签受限的数据成为当前研究的热点。由于这些数据不具有完全的监督信息,在标签受限的情况下训练深度学习方法并取得与完全监督方法相当的性能是目前研究的难点,需要进行更加深入的研究和探索。本文旨在面向计算机视觉中的基础视觉任务,在标签受限的情况下,研究如何利用现有的大量无标签或弱标签的数据,致力于缩小标签受限方法与完全监督方法之间的性能差距。本文的主要研究内容和贡献有: (1)针对大量无标签的图像数据进行无监督表征学习的任务,受自组织映射网络的启发,本文提出了一种自监督自组织聚类网络来学习图像的视觉表征。该网络以自组织层的权重为聚类中心,通过本文提出的自组织聚类头快速地计算出特征和聚类中心的相似性,并将该相似性转化为自监督伪标签,进而实现特征提取和特征聚类的联合优化,从而学习到更好的表征。值得一提的是,由于在该方法中对自组织层的优化是一个聚类的过程,因此不存在显式计算聚类中心的步骤,从而在获取伪标签的过程中不需要提取或存储所有图像的特征,简化了深度聚类方法的处理步骤和计算量。 (2)针对小样本图像分类中需要大量带标签的基类图像的问题,本文提出了一种从未标注的基类图像中构建任务的小样本图像分类方法。为了有效利用未标记的图像构建任务,提出了一种将图像特征学习到指定聚类空间中的深度聚类模型。该模型首先通过固定聚类中心来设置一个可分离的聚类空间,然后利用一个深度网络提取图像特征,最后通过设计的聚类头将图像特征学习到该聚类空间中。在聚类中,为了成功构建任务,提出了一种图像采样和任务构建策略,并通过设计的小样本学习头来实现小样本图像分类。最终,通过共享主干网络以多任务学习的形式实现对聚类头和小样本学习头的联合优化。在一系列数据集上的实验结果和可视化表明,该方法具有较强的从基类泛化到新类的能力。 (3)针对大量无标签的图像数据进行自监督表征学习的任务,本文基于信息熵理论提出了一种简单而有效的基于孪生架构的自监督表征学习方法。从减少信息熵的角度来看,该方法以最小熵为目标,即以投影器的输出向量向其最近的最小熵靠近作为优化目标。该方法的核心内容包括沿批次维度进行归一化以避免模型崩溃、计算最近的最小熵以获得优化目标以及计算对称损失并反向传播以优化网络等三个重要步骤。在一系列公开数据集上的实验结果表明,在不需要负样本对、预测器、动量编码器和互相关矩阵等技术的情况下,该方法可以学习到有效的表征,并以更低的复杂度取得了更好的结果。 (4)针对显著目标检测任务中存在获取像素级标注代价高的问题,本文提出了一种基于学习显著特征的无监督显著目标检测方法,突破了现有方法需要额外模型来引入显著性信息的瓶颈。该方法通过无监督的方式将图像特征分为属于显著目标的显著特征和不属于显著目标的非显著特征,并以增强显著特征和抑制非显著特征为优化函数,从数据本身中学习显著特征来实现无监督显著目标检测。在该方法中,为了获得初始显著激活图,提出了一个显著目标定位模块来粗略定位显著特征所在的目标。由于初始显著激活图中的目标通常不完整并且包含了大量的噪声,设计了一种显著图更新策略来逐渐去除噪声并增强边界。实验结果和显著激活图表明,该方法能够有效地学习到显著视觉对象并成功预测像素级的显著图,缩小了无监督方法和有监督方法之间的性能差距。 (5)针对视频中运动信息稀疏表征的任务,本文提出了一种基于线流的无监督视频运动信息稀疏表征框架,并以无监督异常检测为基准任务设计了一种将该稀疏表征与深度学习进行有机结合的方案。在该稀疏表征框架中,以稀疏的素描线为基本单位,将视频中的运动信息转化为获取运动素描线的求解问题,并基于相邻时间一致性和局部空间一致性,提出了具有稀疏表征特性的线流来建模视频中的运动信息。为了验证线流的有效性,首先分别通过图神经网络和卷积神经网络来提取代表运动信息的线流特征和代表表观信息的图像特征,然后根据线流所在的位置将这两种特征进行融合来丰富视频的特征。在无监督视频异常检测上的可视化和实验表明,线流能够实现对视频中运动信息的稀疏表征,并且在基准方法上添加线流可以进一步地提高异常事件的检测精度。 (6)针对视频异常检测任务中较难获取帧级标注数据的问题,本文提出了一种以视频级标注为监督信号的弱监督视频异常检测方法。该方法利用视频中异常事件的连续性,以连续的多个视频片段作为优化单元,设计了一种基于Transformer的多序列学习网络,并构造了一个基于铰链的多序列学习排序损失函数,减少了基于多示例学习的方法中选