判别-生成双记忆视频异常检测
计算机视觉与模式识别
2021-04-30 v1
摘要
近来，人们尝试在训练过程中使用少量异常数据进行视频异常检测（VAD），而非仅使用正常数据。当少量异常数据面对海量正常数据时，会出现数据不平衡的副作用。最新的VAD工作使用三元组损失或数据重采样策略来缓解此问题。然而，目前仍缺乏为利用少量异常的判别式VAD精心设计的架构。本文提出一种判别-生成双记忆（DREAM）异常检测模型，以利用少量异常并解决数据不平衡问题。我们使用两个浅层判别器收紧正常特征分布边界，同时使用一个生成器进行下一帧预测。此外，我们提出双记忆模块，以在正常和异常空间中获得稀疏特征表示。因此，DREAM不仅解决了数据不平衡问题，还学习到了合理的特征空间。进一步的理论分析表明，我们的DREAM对未知异常同样有效。在UCSD Ped1、UCSD Ped2、CUHK Avenue和ShanghaiTech上与先前方法的对比中，我们的模型以无额外参数的优势超越所有基线。消融研究证明了我们的双记忆模块和判别-生成网络的有效性。
引用
@article{arxiv.2104.14430,
title = {Discriminative-Generative Dual Memory Video Anomaly Detection},
author = {Xin Guo and Zhongming Jin and Chong Chen and Helei Nie and Jianqiang Huang and Deng Cai and Xiaofei He and Xiansheng Hua},
journal= {arXiv preprint arXiv:2104.14430},
year = {2021}
}