基于生成式能量Boltzmann模型的流视频未知异常检测
计算机视觉与模式识别
2018-10-02 v2
摘要
异常事件检测是视频监控研究与实际应用的重要目标之一。然而，在实际场景中，多数异常检测系统仍面临三个挑战：标注数据有限、“异常”定义模糊以及特征工程步骤代价高昂。本文引入一种统一检测框架，利用能量模型（无监督表示学习的强有力工具）应对这些挑战。我们所提模型首先在输入视频的图像帧未标注原始像素上训练，而非手工视觉特征；随后基于输入视频与其由模型生成的重建之间的差异来定位异常物体。为处理视频流，我们开发了框架的在线版本，其中模型参数随实时到达的图像帧增量更新。实验表明，以受限Boltzmann机（RBMs）与深度Boltzmann机（DBMs）为核心模块的探测器，在无监督基线上取得更优的异常检测性能，并在像素级评估时获得与最先进方法相当的准确率。更重要的是，我们发现以DBMs训练的该系统能够同时执行场景聚类与场景重建。该能力不仅使我们的方法区别于其他现有探测器，也为研究和理解模型工作机制提供了独特工具。
引用
@article{arxiv.1805.01090,
title = {Detection of Unknown Anomalies in Streaming Videos with Generative Energy-based Boltzmann Models},
author = {Hung Vu and Tu Dinh Nguyen and Dinh Phung},
journal= {arXiv preprint arXiv:1805.01090},
year = {2018}
}
备注
This manuscript is under consideration at Pattern Recognition Letters