CKNN：用于无监督视频异常检测的净化 k 近邻
计算机视觉与模式识别
2024-08-07 v1
摘要
本文针对无监督视频异常检测（UVAD）问题展开研究。该任务旨在利用无标记视频作为训练数据检测测试视频中的异常事件。异常在训练数据中的存在构成重大挑战，尤其是因为它们在特征空间中形成簇。我们将这一性质称为“异常簇”问题。这些异常的浓缩特性使其在训练集中区分正常与异常数据变得困难。因此，使用无标签数据集训练常规异常检测技术往往导致次优结果。为克服这一困难，我们提出一种新方法，称为净化 k 近邻（CKNN），通过净化训练数据集显式过滤掉异常簇。遵循特征空间中的 k 近邻算法可提供强大的异常检测能力。尽管识别出的异常簇问题对将 k 近邻应用于UVAD提出重大挑战，但我们提出的净化方案有效解决了这一问题。我们在多个基准数据集上评估了所提方法，证明CKNN在AUROC方面优于以往最先进的UVAD方法，提升了最高达8.5%（从82.0提升至89.0）。此外，我们强调，所提方法的性能与使用异常自由数据训练的最先进方法相当。
引用
@article{arxiv.2408.03014,
title = {CKNN: Cleansed k-Nearest Neighbor for Unsupervised Video Anomaly Detection},
author = {Jihun Yi and Sungroh Yoon},
journal= {arXiv preprint arXiv:2408.03014},
year = {2024}
}