DyAnNet：一种场景动态性引导的自训练视频异常检测网络
计算机视觉与模式识别
2022-11-03 v1
摘要
无监督视频异常检测方法可能不如有监督方法表现好。然而，利用无监督方法学习未知类型的异常比有监督方法更实用，因为标注是额外负担。在本文中，我们使用基于隔离树的无监督聚类来划分视频片段的深度特征空间。RGB 流生成视频片段的伪异常分数，光流流生成伪动态性分数。随后这些分数通过多数投票方案融合以生成初步的正、负片段包。然而，这些包可能不准确，因为分数是仅利用当前片段生成的，不能代表典型异常事件的全局行为。我们随后使用基于跨分支前馈网络的精炼策略（该网络使用流行的 I3D 网络设计）来精炼两个分数。然后通过片段重映射策略精炼片段包。将片段的动态性分数与异常分数相加的直觉在于增强证据质量。该方法在三个流行视频异常数据集上评估，即 UCF-Crime、CCTV-Fights 和 UBI-Fights。实验结果表明，相较于最先进的视频异常检测方法，所提框架取得了具有竞争力的准确率。
引用
@article{arxiv.2211.00882,
title = {DyAnNet: A Scene Dynamicity Guided Self-Trained Video Anomaly Detection Network},
author = {Kamalakar Thakare and Yash Raghuwanshi and Debi Prosad Dogra and Heeseung Choi and Ig-Jae Kim},
journal= {arXiv preprint arXiv:2211.00882},
year = {2022}
}
备注
10 pages, 8 figures, and 4 tables. (ACCEPTED AT WACV 2023)