用于无监督视频异常检测的由粗到细伪标注（C2FPL）框架
计算机视觉与模式识别
2023-10-27 v1 机器学习
摘要
视频中异常事件的检测在监控等应用中是一个重要问题。视频异常检测（VAD）在一类分类（OCC）与弱监督（WS）设定下已被充分研究。然而，完全无监督（US）的视频异常检测方法，即在无任何标注或人类监督下学习完整系统的方法，尚未被深入探索。这是因为缺乏任何真值标注显著增加了 VAD 挑战的难度。为应对该挑战，我们提出了一种简单而有效的两阶段伪标签生成框架，其产生片段级（正常/异常）伪标签，可进一步用于以有监督方式训练片段级异常检测器。所提出的由粗到细伪标签（C2FPL）生成器采用精心设计的层次化分裂聚类与统计假设检验，从一组完全无标注的视频中识别异常视频片段。训练好的异常检测器可直接应用于未见测试视频的片段，以获得片段级乃至随后的帧级异常预测。在 UCF-Crime 与 XD-Violence 两个大规模公共领域数据集上的广泛研究表明，所提出的无监督方法相比所有现有 OCC 与 US 方法取得了更优性能，同时达到了与最先进 WS 方法相当的性能。
引用
@article{arxiv.2310.17650,
title = {A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection},
author = {Anas Al-lahham and Nurbek Tastan and Zaigham Zaheer and Karthik Nandakumar},
journal= {arXiv preprint arXiv:2310.17650},
year = {2023}
}
备注
Accepted in IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2024