15、深度学习在异常活动识别与隐私保护机器学习中的应用

深度学习在异常活动识别与隐私保护机器学习中的应用

1. 异常活动识别方法

在人群异常活动识别领域，有多种方法可供选择，每种方法都有其特点和适用场景。
- 区域方法（Area - Wise Approach） ：该方法收集结构可视化的PC场景信息，例如通过特定方法分离厚度、方位和光流速度等信息。不过，它会受到场景中阴影和光线变化的限制。在处理无法证明有大量人员的场景时，会通过大量隐藏操作来组织最差基数显著权重直方图。
- 基于主动计数器的方法（Active - Counter - Based - Approach） ：主要用于处理因干扰而被污染的场景。采用动态结构技术来理解基于区域系统的负担，常用的系统包括卡方检验、“Bhattacharyya”、未破坏小波包变换（UWVT）、EM计算和双正交小波基等。但该方法难以处理视频过程中的中途阻碍。
- 基于模型的方法（Model - Based - Approach） ：用于开发场景模型并检查场景的标准类型。会分离集合并明确排除光照区域变化的尺度影响。当变化显著时，每个像素会刺激当前引导。在贝叶斯行动过程、EM估计、相关主题模型（CTM）、Sean码本和跟踪器等中会使用高斯混合模型（GMM）。通过两种系统来揭示集合中的不平衡。
- 直接方法（Direct - Approach） ：通过聚集个体来测量速度、方位和不规则运动，从而剖析一个群体。但当存在阻碍时，该方法会变得复杂，可能影响调查过程，例如在密集人群中识别物品、跟踪方向和感知活动等。
- 间接方法（Indi