无目标域适应的跨域视频异常检测
计算机视觉与模式识别
2022-12-15 v1
摘要
大多数跨域无监督视频异常检测（VAD）工作假设至少有少量任务相关的目标域训练数据可用于从源域到目标域的适应。然而，这需要终端用户进行费力的模型调优，而其可能更希望拥有一个“开箱即用”的系统。针对此类实际场景，我们界定了一项新颖的目标域（推理时）VAD 任务，其中无可用目标域训练数据。为此，我们提出一种新的“零样本跨域视频异常检测（zxvad）”框架，包含未来帧预测生成模型设置。与先前的未来帧预测模型不同，我们的模型使用一种新颖的正常性分类器模块，通过学习此类特征相对于伪异常示例中特征的“相对”差异来学习正常事件视频的特征。一种基于无训练卷积神经网络（CNN）的异常合成模块通过在正常视频帧中添加外来物体来制作这些伪异常示例，无需额外训练成本。借助我们新颖的相对正常性特征学习策略，zxvad 在推理时无需适应即可泛化并学会区分新目标域中的正常与异常帧。通过在常用数据集上的评估，我们表明无论是否有任务相关的（即 VAD）源训练数据可用，zxvad 均优于当前最优（SOTA）。最后，zxvad 在推理时效率指标（包括模型大小、总参数量、GPU 能耗和 GMACs）上也击败了 SOTA 方法。
引用
@article{arxiv.2212.07010,
title = {Cross-Domain Video Anomaly Detection without Target Domain Adaptation},
author = {Abhishek Aich and Kuan-Chuan Peng and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2212.07010},
year = {2022}
}
备注
Accepted at WACV 2023; Includes Supplementary Material