HNU-第一周（毕设总结一）

本周的主要任务如下：
1.熟悉Pytorch，实现经典神经网络.
2.看论文，总结近几年内流行的异常行为检测的方法
3.根据上面两条，总结出自己的网络模型

最后，自己的模型主要参考了两篇文章的做法，进行了一些改进：

1）Abnormal Event Detection in Videos using Spatiotemporal Autoencoder

2）视频监控中异常事件实时检测方法研究与实现

下面介绍下两个论文的做法：

• 论文1：当发生异常事件时，最近的视频帧将与较旧的帧显着不同。 受前人的启发，我们训练了一个端到端模型，该模型由空间特征提取器和时间编码器 - 解码器组成，它们共同学习帧输入体积的时间模式。 利用仅由正常场景组成的视频量训练模型，目的是最小化输入视频量和由学习模型重建的输出视频量之间的重建误差。 在对模型进行适当训练之后，预期正常视频量具有低重建误差，而由异常场景组成的视频量预期具有高重建误差。 通过对每个测试输入卷产生的错误进行阈值处理，我们的系统将能够检测何时发生异常事件。
  
  

• 论文2：
  在目前，无论在各个行只要和视频相关的，我们都可以看见H264相关的身影，H264作为目前使用最广泛的视频压缩标准，随着 x264/openh264以及ffmpeg等开源库的推出，大多数使用者无需再对H264的细节做过多的研究。但是，为了更好的进行开发，有必要了解一下H264的基本原理和一些常见的概念。 那么H264有多厉害？