解耦表观与运动学习用于监控视频的高效异常检测
计算机视觉与模式识别
2020-11-13 v2 机器学习
摘要
当城市环境或工业场所由大量摄像头监控时，自动化分析监控视频画面具有重大意义。由于异常往往具有情境特异性，很难预定义感兴趣事件并收集带标签训练数据。纯无监督的自动化异常检测方法则合适得多。这样，可为每个摄像头部署独立算法，随时间在摄像头视口内物体表观与运动相关特征上学习基线模型。任何偏离该基线的内容都被标记为异常，供下游进一步分析。我们提出一种以纯无监督方式学习正常行为的新神经网络架构。与以往工作不同，我们使用隐变量编码预测作为异常度量。我们表明，在不同基准数据集上，无论在准确性还是对光照与天气条件变化的鲁棒性方面，该方法均优于基于重建与基于帧预测的方法。通过解耦表观模型与运动模型，我们的模型每秒可处理的帧数也达相关方法的 16 至 45 倍，从而适合部署于摄像头本身或其他边缘设备。
引用
@article{arxiv.2011.05054,
title = {Decoupled Appearance and Motion Learning for Efficient Anomaly Detection in Surveillance Video},
author = {Bo Li and Sam Leroux and Pieter Simoens},
journal= {arXiv preprint arXiv:2011.05054},
year = {2020}
}