边界框与概率图模型：简化视频异常检测
计算机视觉与模式识别
2024-11-11 v2
摘要
在本研究中，我们将视频异常检测任务表述为对目标边界框的概率分析。我们假设仅通过目标的边界框来表示目标，就足以成功识别场景中的异常事件。这种方法隐含的价值在于提高了目标匿名化程度、加快了模型训练速度并减少了计算资源消耗。这尤其有利于在摄像头等边缘设备上运行的视频监控应用。我们基于人类推理设计模型，这使得模型输出能够以人类可理解的术语进行解释。同时，最慢的模型在第11代英特尔酷睿i9处理器上训练时间不到7秒。虽然我们的方法与现有技术相比构成了问题特征空间的急剧缩减，但我们表明这并不会导致性能下降：我们在基准数据集CUHK Avenue和ShanghaiTech上报告的结果具有很强的竞争力，并且在迄今为止被证明是最具挑战性的VAD数据集StreetScene上显著超越了最新的最先进结果。
引用
@article{arxiv.2407.06000,
title = {Bounding Boxes and Probabilistic Graphical Models: Video Anomaly Detection Simplified},
author = {Mia Siemon and Thomas B. Moeslund and Barry Norton and Kamal Nasrollahi},
journal= {arXiv preprint arXiv:2407.06000},
year = {2024}
}
备注
Accepted for publication at GCPR 2024, after peer review. Use of this Accepted Version is subject to the publisher's Accepted Manuscript terms of use https://www.springer-nature.com/gp/open-research/policies/accepted-manuscript-terms. Code available on GitHub: https://github.com/milestonesys-research/VAD-with-PGMs/