基于稀疏注意力归一化流的骨架基视频异常检测（DA-Flow）
计算机视觉与模式识别
2024-06-06 v1 人工智能
摘要
时间卷积网络（TCN）与图卷积网络（GCN）的协同处理模块在骨架基视频异常检测（SVAD）中显示出前景色。然而，为保持轻量级模型的低计算和存储复杂度，浅层 GCN 和 TCN 块受限于较小的感受野以及缺乏跨维度交互捕获。为解决这一局限，我们提出一种轻量级模块，称为双注意力模块（Dual Attention Module, DAM），用于捕获时空骨架数据的跨维度交互关系。其采用帧注意力机制识别最重要的帧，并通过骨架注意力机制以最小参数和计算量捕获固定分区跨越更广泛关系。此外，所提出的双注意力归一化流（DA-Flow）将 DAM 作为 GCN 之后归一化流框架中的后处理单元集成进来。仿真结果表明，所提模型对噪声和负样本具有较强鲁棒性。实验结果表明，DA-Flow 在以最少参数数目达到竞争或更好性能的同时，实现了微 AUC 指标的优异表现。更进一步，我们发现即使不进行训练，仅使用对骨架数据进行随机投影且不进行降维，也能显著提升异常检测能力。
引用
@article{arxiv.2406.02976,
title = {DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection},
author = {Ruituo Wu and Yang Chen and Jian Xiao and Bing Li and Jicong Fan and Frédéric Dufaux and Ce Zhu and Yipeng Liu},
journal= {arXiv preprint arXiv:2406.02976},
year = {2024}
}