基于多尺度运动一致性学习的群体级异常行为检测
计算机视觉与模式识别
2022-12-02 v1 人工智能
摘要
检测由个体复杂交互产生的异常人群运动对保障人群安全至关重要。群体级异常行为（CABs），例如逆流与人群湍流，被证明是许多人群灾难的关键诱因。近十年来，视频异常检测（VAD）技术在检测个体级异常行为（如突然奔跑、打斗与偷窃）方面取得显著成功，但针对 CABs 的 VAD 研究相当有限。与个体级异常不同，CABs 在局部观测时通常不与正常行为表现出明显差异，且 CABs 的规模随场景不同而变化。本文通过一种新颖的人群运动学习框架——多尺度运动一致性网络（MSMC-Net），对 CABs 的 VAD 这一重要问题展开系统研究。MSMC-Net 首先在图表示中捕获空间与时间上的人群运动一致性信息。随后，它同时训练在不同尺度上构建的多个特征图以捕获丰富人群模式。采用注意力网络自适应融合多尺度特征以实现更好的 CAB 检测。在实证研究中，我们考虑三个大规模人群事件数据集：UMN、Hajj 与 Love Parade。实验结果表明，MSMC-Net 在所有数据集上均能大幅改进最先进性能。
引用
@article{arxiv.2212.00501,
title = {Crowd-level Abnormal Behavior Detection via Multi-scale Motion Consistency Learning},
author = {Linbo Luo and Yuanjing Li and Haiyan Yin and Shangwei Xie and Ruimin Hu and Wentong Cai},
journal= {arXiv preprint arXiv:2212.00501},
year = {2022}
}
备注
Version with appendix for the AAAI-23 publication