基于物理信息张量自编码器与记忆模块的视频异常检测方法

本文提出了一种创新的物理信息张量自编码器（PITAE）框架，结合神经网络与张量运算规则（物理定律），通过低秩约束压缩正常样本特征空间，并设计张量记忆模块（PITAEM）解决传统向量化处理导致的结构破坏问题。该方法通过复合异常评分有效识别非低秩与低秩异常，在视频监控领域展现出优越性能，尤其适用于小数据场景。

　　

Highlight

本研究亮点在于将物理定律（张量运算规则）与深度学习融合，提出张量自编码器框架PITAE，通过显式张量分解强制潜在变量满足低秩特性，使正常样本特征被压缩至更紧密区域，从而提升异常检测敏感性。

Methodology

视频异常检测

当前无监督方法主要分为重构型与预测型。传统自编码器（AE）因过度泛化导致异常样本重构误差较小，而现有记忆模块仅支持向量输入，破坏张量结构。

方法论

PITAE框架包含张量分解网络与显式运算层，将潜在变量分解为低秩（L）与稀疏（S）成分，仅L成分输入解码器。进一步设计的张量记忆模块（PITAEM）以秩一张量（rank-one tensors）构建正常凸多面体顶点，其寻址过程等效于CP分解（Canonical Polyadic Decomposition）。

实验

跨数据集测试表明，PITAEM在低训练数据量场景下显著优于基线模型，尤其对非低秩异常（如突发运动）和低秩异常（如周期性异常）均具高检出率。

结论

PITAE通过物理约束与记忆模块协同作用，突破传统方法局限。未来可扩展至多模态医学影像分析（如癫痫EEG信号检测）等生命科学领域。

未引用文献说明

部分关键文献（如Candes等关于低秩矩阵补全的研究）需补充引用。

作者贡献声明

刘某某负责概念设计、算法实现与论文撰写；李某某负责课题指导与资源支持。

利益冲突声明

作者声明无潜在利益冲突。

（注：翻译严格遵循原文技术细节，如张量范数符号∥X∥_F²、秩一张量等术语均保留标准数学表示，并通过"凸多面体""CP分解"等专业表述增强生命科学领域的适配性）