用于监控视频中异常检测的可扩展与泛化深度学习框架
计算机视觉与模式识别
2024-08-05 v1 人工智能
机器学习
摘要
视频中的异常检测具有挑战性，因为暴力、商店盗窃和破坏等活动的复杂性、噪声和多样性很高。尽管深度学习在该领域已表现出色，但现有方法在不同异常任务之间应用深度学习模型时往往需要大量重新训练。这种重复训练耗时、计算密集且不公平。为解决这一局限，本研究提出了一种新的深度学习框架，包含三个关键组件：迁移学习以增强特征泛化、模型融合以改进特征表示、以及多任务分类以使分类器在引入新任务时无需从头训练即可泛化。该框架的主要优势在于无需为每个新任务从头重新训练即可实现泛化。实证评估表明，该框架在RLVS数据集（暴力检测）上达到97.99%的准确率，在UCF数据集（商店盗窃检测）上达到83.59%的准确率，使用单一分类器在两个数据集上均达到88.37%的准确率而无需重新训练。此外，在未见过的数据集上测试时，该框架达到了87.25%的准确率。本研究还利用两种可解释性工具识别潜在偏差，确保鲁棒性和公平性。本研究首次成功解决了异常检测中的泛化问题，标志着该领域的重大进展。
引用
@article{arxiv.2408.00792,
title = {A Scalable and Generalized Deep Learning Framework for Anomaly Detection in Surveillance Videos},
author = {Sabah Abdulazeez Jebur and Khalid A. Hussein and Haider Kadhim Hoomod and Laith Alzubaidi and Ahmed Ali Saihood and YuanTong Gu},
journal= {arXiv preprint arXiv:2408.00792},
year = {2024}
}