视频监控中的异常局部性

本文致力于检测监控视频中的真实世界异常，如入室盗窃和袭击。尽管异常通常是局部的，因为它们发生在帧的有限区域内，但此前该主题的相关工作均未研究过局部性的贡献。在本工作中，我们探讨了考虑时空管而非整帧视频段的影响。为此，我们用空间和时序标注丰富了现有监控视频：这是首个在其训练集和测试集中均带有边界框监督的异常检测数据集。我们的实验表明，用时空管训练的网络比用整帧视频训练的同类模型表现更好。此外，我们发现局部性对测试阶段时空管提取中不同类型的错误具有鲁棒性。最后，我们证明我们的网络仅利用视频级标签即可为未见过的监控视频提供时空提议。借此，我们在无需进一步人工标注的情况下扩充了我们的时空异常数据集。