基于外观模糊的自编码器与运动引导记忆模块用于视频异常检测

视频异常检测（Video Anomaly Detection, VAD）通常通过学习正常样本分布并测度显著偏差来检测异常，但不良的泛化会导致重建少数异常，从而抑制偏差检测。同时，大多数VAD方法无法应对跨数据集验证，少数零样本方法必须依赖目标域的模型调优完成领域适应。为此，我们提出一种新型VAD方法，采用运动引导记忆模块实现零样本跨数据集验证。首先，我们对原始外观图像添加高斯模糊，构建全局伪异常作为网络输入。随后，我们提出多尺度残差通道注意力机制对伪异常进行去模糊处理。接着，通过记录训练阶段的运动特征获取记忆项，用于测试阶段从原始信息中检索运动特征。最后，该方法可通过注意力机制忽略真实异常的模糊效应，依赖运动记忆项增加正常与异常运动之间的正常性差距。广泛的三个基准数据集实验表明，我们方法的有效性。与跨域方法相比，本方法在测试期间无需适配即可实现竞争性能。