视频序列中的异常检测：一个基准与计算模型
计算机视觉与模式识别
2021-06-17 v1
摘要
异常检测已吸引了相当多的研究关注。然而，现有的异常检测数据库存在两个主要问题。首先，它们的规模有限。其次，训练集仅包含视频级标签，指示整个视频中是否存在异常事件，而缺乏精确时间段的标注。为解决这些问题，我们贡献了一个新的大规模异常检测（Large-scale Anomaly Detection, LAD）数据库作为视频序列异常检测的基准，其特点体现在两个方面。1）它包含 2000 个视频序列，包括正常和异常视频片段，具有 14 个异常类别，如碰撞、火灾、暴力等，且场景多样性大，使其成为迄今为止最大的异常分析数据库。2）它提供标注数据，包括视频级标签（异常/正常视频、异常类型）和帧级标签（异常/正常视频帧），以促进异常检测。利用 LAD 数据库上述优势，我们进一步将异常检测表述为一个全监督学习问题，并提出了一种多任务深度神经网络来解决它。我们首先通过使用膨胀三维卷积（Inflated 3D convolutional, I3D）网络获得局部时空上下文特征。然后我们构建一个循环卷积神经网络，以局部时空上下文特征为输入来提取时空上下文特征。借助全局时空上下文特征，异常类型和分数可由多任务神经网络同时计算。实验结果表明，所提方法在我们的数据库及其他公开异常检测数据库上优于最先进的异常检测方法。代码可在 https://github.com/wanboyang/anomaly_detection_LAD2000 获取。
引用
@article{arxiv.2106.08570,
title = {Anomaly Detection in Video Sequences: A Benchmark and Computational Model},
author = {Boyang Wan and Wenhui Jiang and Yuming Fang and Zhiyuan Luo and Guanqun Ding},
journal= {arXiv preprint arXiv:2106.08570},
year = {2021}
}
备注
Publication in IET Image Processing