基于排序损失函数的3D ResNet视频异常活动检测
计算机视觉与模式识别
2020-02-05 v1 机器学习
图像与视频处理
摘要
异常活动检测是计算机视觉领域最具挑战性的任务之一。本研究受到近期异常活动检测最优工作的启发，该工作借助多示例学习，通过提供视频级信息并利用异常与正常视频来学习异常。在缺乏时间标注的情况下，此类模型在检测异常时容易发出误报。为此，本文聚焦于在执行异常活动检测任务时最小化误报率。这些误报的缓解以及3D深度神经网络在视频动作识别任务中的近期进展共同促使我们在所提方法中利用3D ResNet，其有助于从视频中提取时空特征。随后，利用这些特征与深度多示例学习以及所提的排序损失，我们的模型学习在视频片段级别预测异常分数。因此，我们提出的方法——结合新排序损失函数的3D深度多示例学习ResNet（MILR）——在UCF-Crime基准数据集上相较于其他最优方法取得了最佳性能。我们所提方法的有效性在UCF-Crime数据集上得到验证。
引用
@article{arxiv.2002.01132,
title = {3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos},
author = {Shikha Dubey and Abhijeet Boragule and Moongu Jeon},
journal= {arXiv preprint arXiv:2002.01132},
year = {2020}
}