多媒体异常检测中的概念漂移挑战：以人脸数据集为例
计算机视觉与模式识别
2022-07-28 v1
摘要
多媒体数据集中的异常检测是一个被广泛研究的领域。然而，数据中的概念漂移挑战被大多数异常检测框架所忽视或处理不当。最先进的方法假设训练和部署时的数据分布将相同。然而，由于各种现实环境因素，数据可能会在其分布上遇到漂移，或在较远的未来从一个类别漂移到另一个类别。因此，一次性训练的模型可能表现不佳。本文中，我们系统性地研究了概念漂移对各种检测模型的影响，并提出了一种基于改进的自适应高斯混合模型（AGMM）的多媒体数据异常检测框架。与基线 AGMM 相比，所提出的 AGMM 扩展在更长时间内记住过去，以更好地处理漂移。大量实验分析表明，与基线 AGMM 相比，所提出的模型更好地处理了数据中的漂移。此外，为促进研究与所提框架的比较，我们贡献了三个以人脸为样本的多媒体数据集。个体的面部样本对应超过十年的年龄差异，以纳入更长的时间上下文。
引用
@article{arxiv.2207.13430,
title = {Concept Drift Challenge in Multimedia Anomaly Detection: A Case Study with Facial Datasets},
author = {Pratibha Kumari and Priyankar Choudhary and Pradeep K. Atrey and Mukesh Saini},
journal= {arXiv preprint arXiv:2207.13430},
year = {2022}
}
备注
14 pages, 13 figures, 4 tables