基于一致性的自监督学习用于时序异常定位
计算机视觉与模式识别
2022-08-11 v1 人工智能
多媒体
摘要
本工作致力于弱监督异常检测，其中允许预测器不仅从正常样本中学习，还从训练期间提供的少量标注异常中学习。具体而言，我们处理视频流中异常活动的定位：这是一个极具挑战性的场景，因为训练样本仅带有视频级标注（而非帧级）。近期的若干工作提出了各种正则化项来解决该问题，即通过对弱监督学习得到的帧级异常分数施加稀疏性和平滑性约束。在本工作中，我们受自监督学习领域最新进展的启发，要求模型对同一视频序列的不同增强给出相同分数。我们表明，强制这种对齐可提升模型在XD-Violence上的性能。
引用
@article{arxiv.2208.05251,
title = {Consistency-based Self-supervised Learning for Temporal Anomaly Localization},
author = {Aniello Panariello and Angelo Porrello and Simone Calderara and Rita Cucchiara},
journal= {arXiv preprint arXiv:2208.05251},
year = {2022}
}
备注
Accepted to the WCPA Workshop at ECCV 2022 (1st International Workshop and Challenge on People Analysis: From Face, Body and Fashion to 3D Virtual Avatars). 13 pages, 2 figures