基于多尺度时间特征的动态擦除网络用于弱监督视频异常检测
计算机视觉与模式识别
2023-12-05 v1
摘要
弱监督视频异常检测的目标是仅使用视频级标注数据来学习检测模型。然而，以往的研究通常将视频划分为固定长度的片段，而未考虑异常的复杂性或持续时间。此外，这些研究通常仅检测最异常的片段，可能忽略异常的完整性。为了解决这些局限性，我们提出了一种用于弱监督视频异常检测的动态擦除网络（Dynamic Erasing Network, DE-Net），该网络学习多尺度时间特征。具体而言，为了处理异常事件的持续时间变化，我们首先提出了一个多尺度时间建模模块，能够从不同长度的片段中提取特征，并捕获不同时间尺度上的局部和全局视觉信息。然后，我们设计了一种动态擦除策略，该策略动态评估检测到的异常的完整性，并擦除显著的异常片段，以鼓励模型发现视频中的轻微异常片段。在 XD-Violence、TAD 和 UCF-Crime 三个数据集上，与几种最先进的方法相比，所提出的方法取得了良好的性能。代码将在 https://github.com/ArielZc/DE-Net 上发布。
引用
@article{arxiv.2312.01764,
title = {Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection},
author = {Chen Zhang and Guorong Li and Yuankai Qi and Hanhua Ye and Laiyun Qing and Ming-Hsuan Yang and Qingming Huang},
journal= {arXiv preprint arXiv:2312.01764},
year = {2023}
}