异常跨越:作为跨域少样本学习的视频异常检测新视野
计算机视觉与模式识别
2022-11-24 v3
摘要
视频异常检测旨在识别视频中发生的异常事件。由于异常事件相对稀少,收集平衡数据集并训练二分类器来解决该任务并不可行。因此,大多数先前方法仅使用无监督或半监督方法从正常视频中学习。显然,它们在捕捉和利用有区分力的异常特征方面受限,导致异常检测性能受损。在本文中,为解决此问题,我们提出一种充分利用正常与异常视频进行视频异常检测的新学习范式。具体而言,我们构建了一项新学习任务:跨域少样本异常检测,其可将从源域大量视频中学到的知识迁移,以帮助解决目标域中的少样本异常检测。具体地,我们在目标正常视频上利用自监督训练来减小域间隙,并设计了一个元上下文感知模块来探索少样本设定下事件的视频上下文。我们的实验表明,我们的方法在 DoTA 和 UCF-Crime 数据集上显著优于基线方法,且新任务有助于形成更实用的异常检测训练范式。
引用
@article{arxiv.2112.06320,
title = {Anomaly Crossing: New Horizons for Video Anomaly Detection as Cross-domain Few-shot Learning},
author = {Guangyu Sun and Zhang Liu and Lianggong Wen and Jing Shi and Chenliang Xu},
journal= {arXiv preprint arXiv:2112.06320},
year = {2022}
}