大型视频中异常检测的判别式框架
计算机视觉与模式识别
2016-09-29 v1 机器学习
摘要
我们解决了一种异常检测场景，其中训练序列不可用，且异常评分独立于时间顺序。当前的异常检测算法基于学习高维模型并寻找低概率事件的经典密度估计方法。这些算法对异常出现的顺序敏感，并且需要训练数据或早期上下文假设，而这些对于更长、更复杂的视频并不成立。通过将异常定义为可以与同一视频中其他示例区分开的示例，我们的定义激发了从经典密度估计到简单判别式学习的方法转变。我们的贡献包括一种新颖的异常检测框架，该框架（1）独立于异常的时间顺序，且（2）是无监督的，不需要单独的训练序列。我们表明，即使我们从标准数据集中移除训练序列来调整设置，我们的算法也能达到最先进的结果。
引用
@article{arxiv.1609.08938,
title = {A Discriminative Framework for Anomaly Detection in Large Videos},
author = {Allison Del Giorno and J. Andrew Bagnell and Martial Hebert},
journal= {arXiv preprint arXiv:1609.08938},
year = {2016}
}
备注
14 pages without references, 16 pages with. 7 figures. Accepted to ECCV 2016