用于可解释异常检测的离散神经表示
计算机视觉与模式识别
2021-12-13 v1
摘要
本工作的目标是检测视频中的异常事件并自动生成高层解释。理解异常事件的原因至关重要，因为所需的响应取决于其性质和严重程度。近期工作通常使用对象或动作分类器来检测异常事件并为其提供标签。然而，这将检测系统限制于有限的已知类别集合，并阻碍了对未知对象或行为的泛化。此处我们展示了如何在不使用对象或动作分类器的情况下鲁棒地检测异常，同时仍能恢复事件背后的高层原因。我们做出以下贡献：(1) 一种利用显著图将异常事件解释与对象和动作分类器解耦的方法；(2) 展示了如何使用一种新颖的神经架构通过预测未来帧来学习视频的离散表示，从而提升显著图的质量；(3) 在公开基准 X-MAN 数据集的一个子集上，以 60% 的优势超越最先进的异常解释方法。
引用
@article{arxiv.2112.05585,
title = {Discrete neural representations for explainable anomaly detection},
author = {Stanislaw Szymanowicz and James Charles and Roberto Cipolla},
journal= {arXiv preprint arXiv:2112.05585},
year = {2021}
}