基于批归一化的弱监督视频异常检测
计算机视觉与模式识别
2023-11-28 v1
摘要
在弱监督视频异常检测（WVAD）中，仅可获得指示异常事件存在与否的视频级标签，主要挑战源于异常发生时间标注的固有模糊性。受异常事件时间特征常呈现离群特性的统计洞察启发，我们提出一种新方法BN-WVAD，将批归一化（BatchNorm）引入WVAD。在所提BN-WVAD中，我们利用BatchNorm的均值向量特征偏离（DFM）作为可靠异常准则，以辨识异常视频中的潜在异常片段。所提DFM准则对异常识别亦具判别力且对标签噪声更鲁棒，作为附加异常分数修正易受噪声标签影响的异常分类器预测。此外，设计一种批级选择策略，以在含更多异常事件的视频中筛选更多异常片段。所提BN-WVAD模型在UCF-Crime上以87.24%的AUC、在XD-Violence上以高达84.93%的AP展现出最先进性能。我们的代码实现见于https://github.com/cool-xuan/BN-WVAD。
引用
@article{arxiv.2311.15367,
title = {BatchNorm-based Weakly Supervised Video Anomaly Detection},
author = {Yixuan Zhou and Yi Qu and Xing Xu and Fumin Shen and Jingkuan Song and Hengtao Shen},
journal= {arXiv preprint arXiv:2311.15367},
year = {2023}
}