一种基于弱监督与自适应实例选择的轻量级视频异常检测模型
计算机视觉与模式识别
2024-07-08 v2
摘要
视频异常检测旨在判断给定视频中是否存在异常事件、行为或物体，从而实现有效且智能的公共安全管理。由于视频异常标注既耗时又昂贵，大多数现有工作采用无监督或弱监督学习方法。本文关注弱监督视频异常检测，其中训练视频仅被标注是否包含异常，但无关于异常所在帧的信息。然而，弱标签数据的不确定性与较大的模型规模阻碍了现有方法在真实场景中的广泛部署，尤其是边缘计算等资源受限情形。本文提出一种轻量级视频异常检测模型。一方面，我们提出一种基于模型当前状态选择置信实例的自适应实例选择策略，从而缓解弱标签数据的不确定性并进而提升模型性能。另一方面，我们设计了一个轻量级多级时间相关性注意力模块与沙漏形全连接层来构建模型，可将模型参数量降至现有方法（如 RTFM）的仅 0.56%。我们在 UCF-Crime 与 ShanghaiTech 两个公开数据集上的大量实验表明，我们的模型可达到与最先进方法相当甚至更优的 AUC 分数，同时模型参数量显著减少。
引用
@article{arxiv.2310.05330,
title = {A Lightweight Video Anomaly Detection Model with Weak Supervision and Adaptive Instance Selection},
author = {Yang Wang and Jiaogen Zhou and Jihong Guan},
journal= {arXiv preprint arXiv:2310.05330},
year = {2024}
}