基于Transformer注意力模型的监控视频异常检测
计算机视觉与模式识别
2022-06-07 v2
摘要
监控录像能够捕捉到多种现实中的异常。本研究建议采用弱监督策略，以避免对训练视频中的异常片段进行耗时标注，该方法仅使用视频级标签来获取帧级异常分数。弱监督视频异常检测（WSVAD）在训练过程中存在异常与正常实例误识别的问题。因此，从可用视频中提取更高质量的特征十分重要。基于此动机，本文使用更高质量的基于 Transformer 的特征（称为 Videoswin Features），其后接基于膨胀卷积与自注意力的注意力层，以捕获时域上的长程与短程依赖关系。这使我们能更好地理解可用视频。所提框架在真实世界数据集即 ShanghaiTech Campus 数据集上进行了验证，取得了优于当前最先进方法的竞争性能。模型与代码见 https://github.com/kapildeshpande/Anomaly-Detection-in-Surveillance-Videos。
引用
@article{arxiv.2206.01524,
title = {Anomaly detection in surveillance videos using transformer based attention model},
author = {Kapil Deshpande and Narinder Singh Punn and Sanjay Kumar Sonbhadra and Sonali Agarwal},
journal= {arXiv preprint arXiv:2206.01524},
year = {2022}
}