基于正态优势与自步精炼从无标签视频中发现深度异常
计算机视觉与模式识别
2022-06-22 v3
摘要
经典视频异常检测（VAD）需要带标签的正常视频进行训练，而新兴的无监督 VAD（UVAD）旨在直接从完全无标签的视频中发现异常。然而，现有 UVAD 方法仍依赖浅层模型进行检测或初始化，且明显劣于经典 VAD 方法。本文提出一种基于全深度神经网络（DNN）的解决方案，可实现高效的 UVAD。首先，我们首次指出深度重建对于 UVAD 可以出奇地有效，这启发我们揭示一种称为“正态优势”的性质，即当事 DNN 学习重建无标签视频时，正常事件将享有更低的重建损失。利用该性质，我们提出基于定位的重建（LBR）作为强大的 UVAD 基线和我们方案的坚实基础。其次，我们提出一种新颖的自步精炼（SPR）方案，其被合成进 LBR 以执行 UVAD。不同于以由易到难方式注入更多样本的普通自步学习，所提 SPR 方案逐步丢弃样本，从而可将可疑异常从学习过程中移除。如此，SPR 巩固了正态优势并以便更主动的方式实现更好的 UVAD。最后，我们进一步设计了一种显式考虑运动线索的变体解决方案。该方案显著增强了 UVAD 性能，有时甚至超越最佳经典 VAD 方法。实验表明，我们的方案不仅以较大幅度（5% 至 9% AUROC）显著优于现有 UVAD 方法，还使 UVAD 得以赶上经典 VAD 的主流性能。
引用
@article{arxiv.2108.01975,
title = {Deep Anomaly Discovery From Unlabeled Videos via Normality Advantage and Self-Paced Refinement},
author = {Guang Yu and Siqi Wang and Zhiping Cai and Xinwang Liu and Chuanfu Xu and Chengkun Wu},
journal= {arXiv preprint arXiv:2108.01975},
year = {2022}
}
备注
Accepted by CVPR 2022