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！

龙图腾网获悉江西财经大学申请的专利基于语义与幅值深度协同的视频异常检测方法与系统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：CN121838023B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610300279.8，技术领域涉及：G06V20/40；该发明授权基于语义与幅值深度协同的视频异常检测方法与系统是由廖诣深;罗凯文;吕逸群;董馨茹;朱涛;李诗雨;刘悦;程煜蘅;涂馨仪;谢晨设计研发完成，并于2026-03-12向国家知识产权局提交的专利申请。

本基于语义与幅值深度协同的视频异常检测方法与系统在说明书摘要公布了：本发明提出一种基于语义与幅值深度协同的视频异常检测方法与系统，该方法包括，提取视频帧的视觉特征序列；并利用每个时间步的幅值和能量对视觉特征序列中相应时间步的特征向量进行增强，得到增强特征序列；计算增强特征序列的语义相似度矩阵；根据视觉特征序列中每个时间步的幅值计算稀疏的亲和力矩阵；再进行融合，得到最终的注意力权重；利用最终的注意力权重对增强特征序列的值向量进行加权聚合，再输入分类器，得到帧级异常评分，以实现视频异常检测。本发明通过一次无参数的特征工程，在模型架构层面强行实现语义与幅值信息的深度协同，解决现有弱监督视频异常检测方法中，对特征幅值不敏感的问题。

本发明授权基于语义与幅值深度协同的视频异常检测方法与系统在权利要求书中公布了：1.一种基于语义与幅值深度协同的视频异常检测方法，其特征在于，所述方法包括如下步骤： 步骤1、提取视频帧的视觉特征序列； 步骤2、计算视觉特征序列的每个时间步的幅值和能量，计算视觉特征序列的每个时间步的幅值，对应的过程存在如下关系式： ； 其中，表示视觉特征序列中t时刻的特征向量，表示L2范数，表示的幅值； 计算视觉特征序列的每个时间步的能量，对应的过程存在如下关系式： ； 其中，表示L2范数的平方，表示的能量； 利用每个时间步的幅值和能量对视觉特征序列中相应时间步的特征向量进行增强，得到增强特征序列； 步骤3、计算增强特征序列的语义相似度矩阵，以得到语义流；根据视觉特征序列中每个时间步的幅值计算稀疏的亲和力矩阵，以得到幅值流； 具体包括：提取视觉特征序列中所有时间步的幅值向量，并进行归一化，得到归一化后的幅值向量； 采用指数函数计算任意两个时间步归一化后的幅值向量之间的幅值亲和力，对应的过程存在如下关系式： ； 其中，表示归一化后的幅值向量，表示时间步i的归一化幅值，表示时间步j的归一化幅值，表示控制核宽度的超参数，表示幅值亲和力矩阵，表示时间步索引，表示时间步之间的幅值亲和力值；表示指数函数； 对幅值亲和力进行稀疏化和加权，得到稀疏的亲和力矩阵，对应的过程存在如下关系式： 其中，表示稀疏的亲和力矩阵，分别表示两个不同的可学习的标量，表示固定标量，表示通过Top-K操作生成的二元稀疏掩码，表示Hadamard积； 以稀疏的亲和力矩阵作为幅值流； 将幅值流作为结构化先验与语义流进行融合，得到最终的注意力权重； 具体包括：将语义流以及幅值流在logits空间中进行加性融合，得到融合后的注意力logits矩阵，对应的过程存在如下关系式： ； 其中，表示融合后的注意力logits矩阵，表示语义相似度矩阵，以语义相似度矩阵作为语义流； 引入动态局部掩码，利用动态局部掩码对融合后的注意力logits矩阵进行掩码操作，再进行Softmax计算，得到最终的注意力权重，对应的过程存在如下关系式： ； 其中，表示最终的注意力权重，表示动态局部掩码，表示归一化指数函数； 步骤4、利用最终的注意力权重对增强特征序列的值向量进行加权聚合，再输入分类器，得到帧级异常评分，以实现视频异常检测。

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江西财经大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街169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。