超越基准：视频中多样异常的检测
计算机视觉与模式识别
2023-10-04 v1 机器学习
摘要
视频异常检测（VAD）在现代监控系统中起着关键作用，旨在识别现实世界情境中的各类异常。然而，当前基准数据集主要强调简单的单帧异常，如新物体检测。这种狭窄的关注限制了VAD模型的进展。在本研究中，我们主张将VAD研究扩展至涵盖超越常规基准边界的复杂异常。为此，我们引入两个数据集HMDB-AD和HMDB-Violence，以多样基于动作的异常挑战模型。这些数据集源自HMDB51动作识别数据集。我们进一步提出多帧异常检测（MFAD），一种构建于AI-VAD框架之上的新方法。AI-VAD利用单帧特征（如姿态估计和深度图像编码）以及双帧特征（如物体速度），然后应用密度估计算法计算异常分数。为解决复杂的多帧异常，我们添加了捕捉长程时间依赖的深度视频编码特征，以及逻辑回归以增强最终分数计算。实验结果证实了我们的假设，突出了现有模型在新异常类型上的局限性。MFAD在简单和复杂异常检测场景中均表现出色。
引用
@article{arxiv.2310.01904,
title = {Beyond the Benchmark: Detecting Diverse Anomalies in Videos},
author = {Yoav Arad and Michael Werman},
journal= {arXiv preprint arXiv:2310.01904},
year = {2023}
}