喜 报

近日，中国电子教育学会公布了2023年度优秀博士学位论文评选结果，我院1篇论文获评中国电子教育学会优秀博士学位论文优秀奖。论文题目：《视频异常事件智能检测方法研究》，作者：博士研究生吴鹏，导师：刘静教授。

据悉，中国电子教育学会优秀博士学位论文评选是优化研究生教育体系、加强电子信息领域高层次创造性人才的自主培养、激励博士研究生开展创新性的科学研究工作的重要举措，由中国电子教育学会研究生教育分会承办，受到了全国诸多高校和科研院所的高度关注。本次评审组成员为电子、信息领域的高水平专家，包括院士、学会理事及知名专家近百人，共在全国范围内评选出优秀奖20篇和提名奖10篇。

获奖学生及导师介绍

吴鹏，分别于2022年、2017年在西安电子科技大学人工智能学院、电子工程学院获得博士和学士学位，师从人工智能学院刘静教授。目前已发表论文20篇，其中以第一作者及通讯作者身份在TOP期刊和会议上发表论文10篇，如TIP，TNNLS，TMM，CVPR, ACM-MM，ECCV，AAAI，PR，谷歌学术引用860余次。担任TIP、TNNLS、TCSVT、TMM、CVPR、ECCV、ICCV、AAAI等知名期刊和会议的审稿人。主持国家自然科学基金青年科学基金和中国博士后特别资助科学基金。

刘静，西安电子科技大学广州研究院副院长、二级教授、人工智能博士生导师。分别于2000年与2004年在西安电子科技大学获得学士与博士学位，2009年破格晋升为教授。期间于2007年4月至2008年4月在澳大利亚昆士兰大学做博士后、2009年7月至2011年7月在澳大利亚新南威尔士大学国防研究院做研究员。

长期从事智能优化，复杂网络系统认知、预测与调控，时间序列分析，计算机视觉领域的研究工作，已合作出版专著4部、发表国际期刊论文110余篇、国际会议论文70余篇。2015-2020任人工智能领域顶级期刊《IEEE Trans. Evolutionary Computation》副编，2017-2018任IEEE智能计算学会涌现科技技术委员会主席。

主持多项国家级、省部级科研项目。2013年作为第三完成人获得国家自然科学二等奖，2014年获得吴文俊人工智能科学技术创新二等奖（个人奖），2015年入选国家级青年人才，2018年入选国家领军人才，同年被批准为享受国务院特殊津贴专家。

论文成果展示

视频异常事件智能检测方法研究

Research on Abnormal Event Intelligent Detection in Videos

研究背景/选题来源

视频异常事件检测是计算机视觉中一项重要但极具挑战性的任务，其目标是在较低的资源成本下，准确及时地定位视频中的异常事件。随着近年来人工智能技术的发展，异常事件检测逐步凸显其实际应用的潜力。例如，该技术可以应用于现实场景，如智能监控系统，及时发现监控中危险行为；也可以应用于网络平台，如视频内容审查，过滤暴力色情等不良视频。

研究内容

本文以视频异常事件检测任务作为研究核心，主要研究了“半监督异常事件检测”和“弱监督异常事件检测”两个问题。针对半监督异常事件检测和弱监督异常事件检测的痛点，本文提出了多种研究方法来逐步解决。

1. 针对半监督视频异常事件检测中缺乏端到端的深度分类模型的问题，本文提出了一种端到端的深度单分类神经网络DeepOC，它可以同时学习紧凑的正常模式的特征表示并同时训练一个深度的单分类器。

2. 针对半监督视频异常事件检测中基于稀疏编码的方法在稀疏系数的优化非常耗时的问题，本文在上一个研究工作基础上，提出了一个基于高级特征表示的快速稀疏编码网络FSCN。具体而言，首先提出了一种编码-解码结构的双流神经网络来提取瓶颈层中的时空融合特征。

3. 针对异常暴力事件检测中数据匮乏、任务简单的问题，本文构建了一个大规模、多场景、多模态数据集XDViolence用于弱监督异常暴力事件检测。然后提出了两个互补的任务，即粗粒度暴力事件检测和细粒度暴力事件检测，以推动暴力事件检测任务从简单暴力视频分类到精细帧级暴力事件定位。

4. 针对弱监督视频异常事件检测中，尤其在线检测任务，缺乏时序线索和特征辨识性探究的问题，本文研究基于时序上下文关系和特征辨识性增强的弱监督视频异常事件检测方法。

主要创新点

1. 提出了一种端到端的深度单分类神经网络DeepOC，与两阶段(提取特征和训练分类器)的深度单分类方法相比，DeepOC 是一种使用由神经网络自动提取的任务相关特征的单阶段模型。与深度自动编码器方法相比，这样的处理方式无需解码操作，减少参数并提高检测速度。

2. 提出了一个基于高级特征表示的快速稀疏编码网络FSCN，与现有的基于深度自动编码器的方法相比，该方法更简单;与传统的基于稀疏编码的方法相比，该方法更快;与基于手工制作特征的方法相比，该方法更通用。

3. 发布了一个大规模的多模态暴力事件检测数据集XD-Violence来填补领域空白；提出了一个包含多个并行分支的神经网络来捕获视频片段之间的不同关系，并可同时应用于粗粒度和细粒度暴力事件检测任务。

4. 本章提出了一种方法来探索局部范围内的因果时序关系以及特征的辨识性，证明了因果时序关系和特征辨识性都是实现性能提升的重要条件。

文案编辑 | 路 童

排 版 | 邓 婕