CHAD：夏洛特异常数据集
计算机视觉与模式识别
2023-06-05 v3 人工智能
摘要
近年来，我们看到基于数据驱动的深度学习方法在视频异常检测领域引起了极大兴趣，其中算法必须确定视频的特定帧是否包含异常行为。然而，视频异常检测尤其依赖于具体场景，代表性数据集的可用性严重限制了现实世界的准确性。此外，当前大多数最先进方法报告的指标，往往不能反映模型在真实场景中的表现。在本文中，我们提出了夏洛特异常数据集（CHAD）。CHAD 是一个位于商业停车场场景中的高分辨率、多摄像头异常数据集。除了帧级别的异常标签外，CHAD 还是首个为每个参与者提供边界框、身份和姿态标注的异常数据集。这对于基于骨架的异常检测尤其有益，因为该方法在现实世界环境中计算需求较低。CHAD 也是首个包含同一场景多个视角的异常数据集。凭借四个摄像头视角和超过 115 万帧的数据，CHAD 是最大的、包含行人标注的全标注异常检测数据集，其数据采集自用于智能视频监控应用的固定摄像头的连续视频流。为了证明 CHAD 在训练和评估方面的有效性，我们在 CHAD 上对两种最先进的基于骨架的异常检测算法进行了基准测试，并提供了全面的分析，包括定量结果和定性检验。该数据集可在 https://github.com/TeCSAR-UNCC/CHAD 获取。
引用
@article{arxiv.2212.09258,
title = {CHAD: Charlotte Anomaly Dataset},
author = {Armin Danesh Pazho and Ghazal Alinezhad Noghre and Babak Rahimi Ardabili and Christopher Neff and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2212.09258},
year = {2023}
}