异常检测移动的人群通过时空Autoencoding和额外的关注

文摘

我们提出一种异常检测方法使用深层神经网络通过学习生成模型。加权卷积autoencoder (AE)短期记忆(LSTM)网络提出了重构原始数据和基于重建执行异常检测错误解决现有异常检测的挑战复杂的定义和背景的影响。卷积AEs和LSTMs用于编码输入帧的时空变化特征,分别。提出了一种加权欧几里得损失使网络能够专注于移动的前景,从而抑制背景的影响。移动的前景从输入帧分割使用稳健主成分分析分解。比较先进的方法表明我们的方法在异常检测的优越性。异常检测是提高了执行网络的泛化关注移动的前景。

1。介绍

视频监控最近由于强调安全问题广泛应用。视频监控通常要求操作员看屏幕,这往往会导致疲劳和注意力不集中和失败来识别异常事件的发生。另一方面,重大挑战产生的大量数据,监控录像非常繁琐和费时的手工分析。考虑与人类传统监测的效率和成本,一个自动化的异常检测系统获得来自学术界和工业界的兴趣越来越浓厚。

早期研究的视频异常检测主要专注于特定的任务。例如,这位设计师等人支持向量机用于人类秋天检测(1),而钟等人采用隐马尔可夫模型(HMM)来检测异常行为的病人护理中心(2]。然而,实现通用视频异常检测带来了困难,由于在实际条件下的模糊定义异常。有人可能认为行走在广场是正常的,但其他人可能认为这是一种反常现象。因此,大多数研究者遵循霍金斯,谁定义的异常(或异常)作为观察到显著偏离其他观察引起怀疑,是由一个不同的机制(3]。考虑到正常和异常模式之间的不平衡,可以以一个无监督或semisupervised方式模型正常模式,模式,偏离模型被认为是异常。大量的工作集中在正常模式特性的工程模型。在不拥挤的场面,经典的目标跟踪可以实现,高级特性,比如tracklets [4,5),可用于异常检测。然而,在拥挤的场面,并不是所有的目标都可以准确地跟踪,低级特征,如直方图面向光学流和梯度(6),社会力模型(7),动态纹理模型(8),和运动尺度不变特征变换(9),健壮的提取,通常用于检测异常事件的视频。最先进的无监督方法建模是稀疏编码的组合和bag-of-words [10,11]。然而,bag-of-words无法保存单词之前,需要的时空结构信息的字数。

鉴于深度学习的重大成功在模式识别中,许多研究人员试图开发一个生成模型,通过深入学习编码的正常行为,如深层神经网络(12),autoencoders (AEs) [13- - - - - -18),和生成对抗网络(甘斯)19,20.]。然后,行为与大型重建错误在测试过程中被认为是异常。与手工基于功能的异常检测方法依赖于预定义的启发式,深上优于异常检测很容易实现和推广不同的监控场景。

尽管深层神经网络功能的检测一般基于生殖异常模型,网络很容易受背景的影响。因此,网络不能专注于感兴趣的对象(例如,移动的人群)。时间变异是复杂的。因此,他们无法轻易由3 d卷积编码过滤器或一个卷积长期短期记忆(convLSTM)。解决前面提到的挑战,加权卷积AE-LSTM (WCAE-LSTM)构建网络异常检测。我们的贡献是3倍。首先,移动前景提取使用稳健主成分分析(RPCA)分解比背景减法更健壮。分段移动前景将作为先验信息,提出了网络。第二,可以检测到异常提出WCAE-LSTM网络,利用AEs捕捉空间变异和三个convLSTMs编码时间变体。三个convLSTMs强烈可以捕获复杂的时态变异。 However, more than three convLSTMs can no longer improve anomaly detection performance. Third, we propose a weighted Euclidean loss that can enforce the network to concentrate on moving foregrounds. Thus, the influence of irrelevant background information can be alleviated.

本文的其余部分组织如下。部分2提供了一个审查深度上优于异常检测。部分3指定该方法的细节。部分4讨论了实验结果和分析。部分5从这一工作提出了结论。

2。相关工作

作为讨论的部分1在异常检测,最近的努力主要集中在手工功能——和基于深度学习的方法。我们将回顾一些作品从这些观点。

手工制作的基于特征的方法。手工制作的特性广泛应用于异常检测。例如,社会力模型(7),混合物的动态纹理模型(8基于流的视频描述符[],光学23),颞灰度同现矩阵分析法(24,嗯在本地时空卷(25)是常用来检测异常。尽管他们能力在一般异常检测,检测精度较低的这些方法使他们不适合实际应用。灵感来自稀疏表示字典学习,赵等人学会了通过稀疏表示字典的正常行为,发现异常行为通过重建错误(10]。然后,赵陆等人改善et al。方法通过增加速度150 fps (11]。然而,没有字典训练与异常事件,通常overcomplete;因此,期望在真实条件下无法保证异常检测。

基于深度学习的方法。最近,深度学习取得了显著成功对象检测和视频的理解。因此,研究人员试图检测异常使用深度学习视频。由于异常模式的不足,大多数研究人员构建一个正常模式的生成模型,然后基于重建的错误检测异常输入数据。AEs通常用于构建生成模型。一个变分AEs等人用于异常检测通过评估重建概率而不是重建错误(13]。Dimokranitou等人对抗的AEs用于健壮的异常检测(14]。Raghavendra等人用健壮的AEs提高AEs的概括和归纳在异常检测15]。哈桑等人使用卷积AEs(压缩空气蓄能)堆放时空框架来检测异常和更好的编码时间变化(16]。庄等人,罗等人提出了一个类似的建筑命名LSTM基于压缩空气蓄能(LSTM-CAEs);这种方法可以更好的捕获时间变异通过LSTM [17,18]。除了AEs,甘斯也可以用来建立这样一个模型。甘Schlegl等人雇了一个异常检测模型在医学图像19]。Ravanbakhsh等人提出了一个横跨海峡的预测条件GAN架构要充分利用原始图像像素和相应的光学流(20.]。与CAE-based异常检测方法相比,GAN-based异常检测方法的报道大型曲线下面积(AUC)和低错误率在基准数据集Ped1和Ped2相等。然而,前面提到的方法很容易受背景的影响。因此,异常检测性能不理想。

3所示。该方法

3.1。分段移动前景

RPCA被广泛用于探测移动物体由于其鲁棒性对严重的干扰,如动态背景和光照的变化。RPCA分解的目的是为了分离稀疏低秩的前景背景。然而,传统的RPCA分解经历不断惩罚参数。block-RPCA段输入帧到不同的补丁,然后分配每个补丁的惩罚参数(26]。前景分割使用block-RPCA制定如下: 在哪里D代表输入图像,l表示煤的背景,F表明稀疏的前景,代表核标准,表明一个L1范数。映射矩阵P_我()是用于提取补丁,惩罚参数表示的运动特点补丁。的计算可以验证(26]。的优化(1)是通过不精确的增广拉格朗日乘数法。图1说明了几个样本分割前景从大道,Ped1, Ped2数据集。值得注意的是,检测到的前景只提供重量的训练提出了网络信息。因此,很少有噪音使得检测到的前景。

3.2。WCAE-LSTM网络的结构

LSTM已经证明相当成功的记忆时间事件之间的相关性。施等。27]提出了ConvLSTM代替卷积运算的矩阵乘法在LSTM ConvLSTM适合处理视频数据。然后,时间和空间信息可以被ConvLSTM。ConvLSTM定义如下: 在哪里和代表ConvLSTM的输入和输出 ;和 , ,和分别代表输入,忘记,盖茨和输出。存储单元,存储历史信息。代表了乙状结肠激活函数。 , , , , , , ,和代表卷积过滤器的权重 , , ,和代表了偏见。代表element-wise乘法,代表了卷积操作。

我们建立一个WCAE-LSTM重建输入数据。在图2的序列重塑帧(225×225)按时间顺序送入WCAE-LSTM。每一帧的内容由编码器编码与卷积三层。然后,每一帧的编码特征送入ConvLSTM模块,它包含三层。ConvLSTM模块的输出用来重建通过译码器的输入框,其中包含三个deconvolutional层。过滤器的C1, C2, C3, CL1,这有点难度,CL3, D1, D2和D3 128, 256, 512, 128, 256, 512, 256, 128,分别和1。内核大小、步幅和填充的每一层(ConvLSTM Conv C, CL, D Deconv)显示在细节。与罗等人的作品。18),我们使用三个ConvLSTM单位来捕获时间的相关性。WCAE-LSTM也是训练通过最小化加权欧几里得损失,这就需要从输入帧分割移动前景通过RPCA分解。

3.3。加权欧几里得损失

生成模型试图估计一个类似于输入输出。欧几里得损失通常用于最小化进行像素级估计输入和输出之间的区别。然而,传统的生成基于模型的异常检测方法可能会受背景的影响。我们提出一种加权欧几里得损失受凸起检测。新的损失可以通过给予更多地关注突出移动前景前景区域。输入框之间的损失和相应的重构输出使用L2范数定义,权重矩阵抑制背景的影响,如下面所示: 在哪里O是一组网络参数,我是输入框,E (我,O(表示)是重建的输出R),⊙表示element-wise生产。有相同的大小我,RPCA用于市场前景从背景区域。采取我作为参考,像素值W在前台区域设置为2,其他像素W设置为1。然后,网络可以把更多的注意力放在前台区域估计输出时由于大重量在这个地区。背景影响,有害异常检测可以抑制由于小重量的背景区域。

3.4。规律的分数

测量质量的重建帧通过计算均方误差重构框架及其地面实况之间的像素被看好。然而,马修et al。28)认为,峰值信噪比(PSNR)质量评估是更好的选择;这个变量的定义如下: 在哪里指的是图像强度的最大可能值,和代表帧的像素数量。高PSNR值的一帧显示其可能性是正常的。计算每一帧的PSNR值后测试视频,规律性的分数th框架可以通过规范计算测试中所有帧视频的PSNR值范围(]。 然后,我们可以预测帧是否正常或异常基于其规律性分数(k)和一个实验定义阈值。

3.5。实现细节

我们的方法是进行NVIDIA GPU GTX 1080 (8 g)使用咖啡框架和一个cuDNN库。表1用来训练我们的方法的参数列表。我们两个采样之间的步伐在原始视频帧1,2,3执行数据增大。批处理大小设置为16在训练由于内存限制。泽维尔(29日)是用于初始化每个卷积的层。卷积和deconvolutional层的激活函数修正线性单元。

4所示。实验结果

4.1。评估在中大大道数据集11]

这个数据集正式分为21个培训视频和32个测试视频,每个视频剪辑约2分钟长。培训部分包含行人的正常事件和普通散步很像。测试部分包含各种异常事件,比如跑步,投掷物体,走在错误的方向发展。

我们说明了进行像素级的输入框(图之间的区别3(一个))和所有重建帧来理解我们的方法的优越性在异常检测和定位。图3(一个)显示异常的一个女孩走在错误的方向发展。我们使用ConvLSTM-AE [18]和Conv-AE [16)进行比较。ConvLSTM-AE关注背景。因此,大量的激活是在后台执行的区域进行像素级的差异(图3 (b))。Conv-AE执行比ConvLSTM-AE在背景抑制的影响。然而,一定量的背景信息,如包在左边底部角落(值得注意的是,我们只检测移动异常),仍然存在。对我们的方法进行像素级的差异有最少的背景激活通过使网络集中在移动的前景。因此,侵入性的异常可以检测和局部比其他两种方法更准确。

规律的分数在帧反映异常事件的发生概率。规律的Conv-AE ConvLSTM-AE用于比较,如图4。我们显示两个框架,一个标有红色矩形包含异常事件,另一个只包含正常事件。对于大多数框架三种方法实现类似的表演。然而,我们的方法有规律性的分数低于Conv-AE和ConvLSTM-AE第135帧,在错误的方向发生的异常。第400帧左右,发现Conv-AE和我们的方法要优于ConvLSTM-AE因为前者分数更高的规律在处理正常帧。

4.2。评估UCSD Ped1和Ped2数据集(22]

这个数据集包含两个subdatasets,即Ped1 Ped2。Ped1, 32个视频剪辑可用于培训和36个视频进行测试。Ped2, 12个视频剪辑用于培训和16个视频进行测试。所有培训视频包含正常活动,如定期走在人行道。测试视频包含几个不规则的事件,比如骑自行车,滑冰,和移动车辆。

图5介绍了进行像素级Ped2的输入框(图之间的区别5(一个))和重建帧不同的方法。图5(一个)显示一个人骑自行车的异常。几乎所有像素的前景进行像素级的差异ConvLSTM-AE(图5 (b))被激活。这一结果表明,ConvLSTM-AE不能准确重构移动目标即使他们是正常的。比ConvLSTM-AE Conv-AE可以重建更好的移动目标。因此,只有少数激活图中所示进行像素级中观察到的差异5 (c)。然而,重建异常还包含几个激活,和背景影响是显而易见的。因此,我们不能准确区分正常和异常事件基于图5 (c)。我们的方法有激活的重建正常的行为,例如步行,但更多的激活重建异常行为(骑自行车的人)比Conv-AE(图5 (d))。此外,背景影响显著抑制通过最小化加权欧几里得的损失。因此,我们的方法可以区分正常和异常行为比ConvLSTM-AE Conv-AE。

数据6和7显示的三种方法的规律性分数Ped1 Ped2,分别。在图6,我们说明了两个异常帧(第38和第147帧)包含异常的骑自行车。值得注意的是,我们的方法比Conv-AE和ConvLSTM-AE达到规律性的得分越低。因此,这些可以更好地检测异常。也可以观察到类似的现象,在图7规律的分数,我们的方法产量低于Conv-AE和ConvLSTM-AE在第68帧(骑自行车的异常)和第110帧(骑自行车,滑冰的异常)。准确的定量分析,提出了在接下来的部分。

4.3。比较先进的方法

比较先进的异常检测方法,计算框架水准仪AUC评估异常检测的性能。一般来说,大型AUC表明改进的异常检测性能。我们比较我们的方法和一些先进的异常检测方法,包括手工功能方法(21,22)和基于深度学习方法(16,18]。表2给出了比较结果与大道,Ped1, Ped2。

在这个表中,MPPCA [21)和MPPC + SFA (22)不如深上优于方法Ped1 Ped2,分别。其框架水准仪AUC值比其他方法要低得多。Conv-AE和ConvLSTM-AE实现AUC值远高于MPPCA和MPPC + SFA Ped1 Ped2,分别。这些改进揭示深度学习在异常检测的优越性手工特性。我们的方法与一个ConvLSTM层类似于ConvLSTM-AE网络结构的角度。然而,专注于移动前景有助于前者实现AUC值高于后者在所有三个数据集。通过添加另一个两个ConvLSTM层,我们的方法进一步达到最佳的性能在所有方法用于比较。但是,没有明显的改善可以通过添加三个多观察ConvLSTM层。

4.4。评价泛化

一个泛化的异常检测方法是实际应用的关键问题。我们测试我们的方法转移学习设置选择的三个数据集(Ped1大道,和Ped2)作为源域和使用剩下的两个数据集作为目标域。特别是,模型训练在源域是用来检测异常事件在目标域。此外,我们比较我们的方法之间的泛化和两个最先进的方法,即使用框架水准仪AUC ConvLSTM-AE Conv-AE,。表3总结的结果cross-dataset异常检测的两种方法。我们的方法明显优于ConvLSTM-AE cross-dataset异常检测。例如,ConvLSTM-AE的AUC值分别为23.6%和19.2%时检测异常Ped1和使用模型训练Ped2大道。然而,我们的方法实现高AUC值(80.3%和84.4%),而执行相同的任务。此外,我们的方法达到更高的AUC值在执行cross-dataset异常检测Ped1和Ped2之间。我们推断出差异cross-dataset异常检测是由背景和拍摄角度,这可能大幅改变在不同场景。因此,ConvLSTM-AE可能不准确决定在执行cross-dataset异常检测,因为它更侧重于背景比移动的前景。然而,我们的方法集中在运动前景,分享了很多人物在不同的场景。此外,泛化Conv-AE ConvLSTM-AE比这还要糟糕。我们猜测原因是没有特别的策略是用于Conv-AE处理时间信息。 Conv-AE just processes a batch of consecutive frames, while ConvLSTM-AE employs a long short-term memory strategy to extract temporal correlations between consecutive frames.

5。结论

一个基于生成模型的异常检测方法提出了这项工作。我们建立一个WCAE-LSTM网络重建一个输入帧序列,以及输入和重建之间的重建误差帧用于异常检测。具体地说,使用CAE每一帧进行编码的空间变化,和时间序列的变化与三层Conv-LSTM编码。我们训练网络通过最小化加权欧几里得损失的帮助下移动前景分割从输入序列通过RPCA分解。进行像素级的差异基准数据集显示,提供大重量移动前景可以有效地实施网络专注于前景和排除背景的影响。比较先进的异常检测方法,基于传统或深度学习特性,表明我们的方法的优越性。我们进一步观察到的异常检测提高泛化执行网络专注于移动的前景。

数据可用性

UCSD数据集的“隐私保护人群监控:计算没有人模型或跟踪”的人(在线)是可用的http://www.svcl.ucsd.edu/projects/peoplecnt。大道数据集,通过c . Lu j .史和j .贾“异常事件检测在MATLAB 150 FPS,”在ICCV, 2013年,页2720 - 2727,是可用的http://www.cse.cuhk.edu.hk/ leojia /项目/ detectabnormal / index . html。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作一直支持中国的国家自然科学基金资助下不。61501060也没有。下61703381,江苏省自然科学基金批准号BK20150271,新技术应用重点实验室在格兰特BM20082061708江苏省道路运输。

引用

1. a . Rezvanian h .这位设计师,a . Paziraee“健壮的秋天使用人类的形状和多层次支持向量机检测,”学报第六届印度计算机视觉、图形和图像处理,ICVGIP 200812月,页413 - 420,印度,2008。视图:谷歌学术搜索
2. p .涌和c .刘“日常行为使隐马尔可夫模型对人类行为的理解,“模式识别第41卷。。5,1572 - 1580年,2008页。视图:出版商的网站|谷歌学术搜索
3. d·m·霍金斯识别异常值查普曼和大厅,伦敦,英国,1980年。视图:MathSciNet
4. c . Piciarelli c Micheloni, g . l . Foresti“Trajectory-based异常事件检测,”IEEE电路和系统视频技术,18卷,不。11日,第1554 - 1544页,2008年。视图:出版商的网站|谷歌学术搜索
5. a . Basharat a Gritai m·沙阿,“学习对象运动模式异常检测和改善目标检测,”学报》第26届IEEE计算机视觉与模式识别会议,CVPR2008年6月,美国,。视图:谷歌学术搜索
6. r . v . Colque c . a .初级和w·r·施瓦兹”直方图的光流方向和大小来检测异常事件的视频,”28日SIBGRAPI会议图形学报》、模式和图像(SIBGRAPI 15)萨尔瓦多,页126 - 133年,巴伊亚,巴西,2015年8月。视图:出版商的网站|谷歌学术搜索
7. r·迈赫兰a, m·沙阿,”人群异常行为检测利用社会力模型,“《IEEE计算机视觉与模式识别会议(CVPR ' 09)942年,页935 -迈阿密,佛罗里达州,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
8. w·李诉马哈,n .塞·伐斯冈萨雷斯,他的“异常检测和定位在拥挤的场面,”IEEE模式分析与机器智能,36卷,不。1、18 32,2014页。视图:出版商的网站|谷歌学术搜索
9. l, c .锣,j .杨问:吴和l .姚明,“暴力视频检测基于MoSIFT特征和稀疏编码,”IEEE国际会议上声学学报》,演讲,和信号处理,ICASSP 14,页3538 - 3542,意大利,2014年5月。视图:谷歌学术搜索
10. b .赵、l .菲菲和e . p .兴”在线检测不寻常的事件通过动态稀疏编码,视频”《IEEE计算机视觉与模式识别会议(CVPR 11)IEEE,页3313 - 3320年,2011年6月。视图:出版商的网站|谷歌学术搜索
11. c . Lu, j·史和j .贾“异常事件检测在MATLAB 150 FPS,”学报14 IEEE计算机视觉国际会议(ICCV 13)12月,页2720 - 2727,澳大利亚,2013年。视图:出版商的网站|谷歌学术搜索
12. m . Sabokrou m . Fayyaz m . Fathy, r . Klette”Deep-cascade:级联3 d深层神经网络快速异常检测和定位在拥挤的场面,”IEEE图像处理,26卷,不。4、1992 - 2004年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
13. r . c . Aygun和A·g·•“随机数据歧视autoencoder网络异常检测方法,”25日信号处理和通信应用研讨会论文集(SIU 17)安塔利亚,页1 - 4,土耳其,2017年5月。视图:出版商的网站|谷歌学术搜索
14. a . Dimokranitou对抗Autoencoders异常事件检测的图像,普渡大学,2017。
15. r . Chalapathy a·k·梅农和s·乔,“强劲,深和感应异常检测,”机器学习与知识发现在数据库中卷,10534在计算机科学的课堂讲稿页,36-51施普林格国际出版,可汗,2017年。视图:出版商的网站|谷歌学术搜索
16. 崔m·哈桑·j·j·诺伊曼,a . k . roy chowdhury l·s·戴维斯,“学习时间在视频序列的规律性,”学报2016年IEEE计算机视觉与模式识别会议,CVPR 2016,页733 - 742,美国,2016年7月。视图:谷歌学术搜索
17. y s Chong黄懿慧茶,“异常事件检测在视频使用时空Autoencoder,”先进的神经网络- ISNN 2017卷,10262在计算机科学的课堂讲稿,页189 - 196,施普林格国际出版,可汗,2017年。视图:出版商的网站|谷歌学术搜索
18. w·罗•刘(george w . bush)和美国高,“记住历史与卷积LSTM异常检测学报2017年IEEE国际多媒体会议和博览会,ICME 2017香港,页439 - 444年,2017年7月。视图:谷歌学术搜索
19. t . Schlegl p . Seebock s·m·华尔斯坦Schmidt-Erfurth,和g语言,“无监督异常检测与生成对抗网络引导标志的发现,”在医学成像信息处理卷,10265在计算机科学的课堂讲稿,页146 - 157,施普林格国际出版,可汗,2017年。视图:出版商的网站|谷歌学术搜索
20. m . Ravanbakhsh e . Sangineto m . Nabi et al .,”培训的敌对的鉴别器横跨海峡的异常事件检测的人群,“https://arxiv.org/abs/1706.07680。视图:谷歌学术搜索
21. j·金姆和k .好莱坞“全球本地观察,推断:时空MRF检测异常活动与增量更新,”《IEEE计算机学会学报计算机视觉与模式识别会议研讨会(CVPR ' 09)2928年,页2921 -迈阿密,佛罗里达州,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
22. 诉诉马哈,w . Li Bhalodia, n .塞·伐斯冈萨雷斯,他的“异常检测在拥挤的场面,”《IEEE计算机视觉与模式识别会议(CVPR 10)1981年,页1975 - 2010年6月旧金山,加州,美国。视图:出版商的网站|谷歌学术搜索
23. 王,朱大肠、j .阴和f . Porikli”视频异常检测和定位由当地基于运动的联合视频表示和OCELM,”Neurocomputing,2017年。视图:谷歌学术搜索
24. k .劳埃德·p·l .松香d·马歇尔和s c·摩尔,“检测使用暴力和不正常的人群活动时间灰度共生矩阵分析法应用灰度共生矩阵建立()的结构措施,”机器视觉和应用程序,28卷,不。3 - 4、361 - 371年,2017页。视图:出版商的网站|谷歌学术搜索
25. l . Kratz和k . Nishino异常检测在非常拥挤的场景使用时空运动模式模型,”《IEEE计算机学会学报计算机视觉与模式识别会议研讨会(2009年CVPR”)1453年,页1446 -迈阿密,佛罗里达州,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
26. 杨b和l .邹“强劲前景检测使用基于块RPCA,”Optik——国际期刊光和电子光学,卷126,不。23日,第4590 - 4586页,2015年。视图:出版商的网站|谷歌学术搜索
27. x, z . Chen D.-Y h . Wang。杨,W.-K。黄和观测。哇,“卷积LSTM网络:机器学习的方法对降水短时预测,”学报》第29届年会在神经信息处理系统中,少量的201512月,页802 - 810,加拿大,2015。视图:谷歌学术搜索
28. m·马蒂厄·c·Couprie, y LeCun(“深多尺度视频预测均方误差之外,“https://arxiv.org/abs/1511.05440v6。视图:谷歌学术搜索
29. x Glorot和y Bengio”理解的难度训练前馈神经网络,”《十三人工智能国际会议上和统计,第256 - 249页,2010年。视图:谷歌学术搜索

版权

版权©2018表杨等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。