Ano-Graph：学习正常场景上下文图以检测视频异常
计算机视觉与模式识别
2022-11-17 v3
摘要
视频异常检测因其无监督训练流程以及真实场景中存在的高时空复杂性而被证明是一项具有挑战性的任务。在缺乏异常训练样本的情况下，最先进的方法试图通过自编码器或生成对抗网络等不同方法提取充分把握时空域中正常行为的特征。然而，这些方法完全忽略或仅借助深度网络的层次化建模能力粗略地建模了物体间存在的时空交互。为解决此问题，我们提出一种新颖且高效的方法 Ano-Graph，用于学习与建模正常物体的交互。为此，将实时现成物体检测器提取的物体特征作为节点，并基于其交互构建边，从而构成时空图（STG）。之后，在 STG 上采用自监督学习方法，将交互封装于语义空间中。我们的方法数据高效，对光照等常见真实世界变化显著更鲁棒，并在具有挑战性的数据集 ADOC 和 Street Scene 上大幅超越 SOTA，同时在 Avenue、ShanghaiTech 和 UCSD 上保持竞争力。
引用
@article{arxiv.2103.10502,
title = {Ano-Graph: Learning Normal Scene Contextual Graphs to Detect Video Anomalies},
author = {Masoud Pourreza and Mohammadreza Salehi and Mohammad Sabokrou},
journal= {arXiv preprint arXiv:2103.10502},
year = {2022}
}
备注
Inconsistencies in the results