用于视频异常检测的基于能量的模型
计算机视觉与模式识别
2017-08-18 v1
摘要
近年来，数据中异常的自动检测因其在视频监控、工业损伤检测和网络入侵检测等实践中的多种应用而成为研究领域的热点。然而，构建一个有效的异常检测系统并非易事，因为它需要解决标注数据短缺、无法明确定义异常对象以及特征工程过程成本高昂等挑战性问题。与仅部分解决这些问题的现有方法不同，我们开发了一个独特的框架来同时应对上述问题。我们不是处理异常对象的模糊定义，而是提出处理常规模式，其未标记数据在实践中丰富且通常易于收集。这使得我们的系统能够完全以无监督的方式进行训练，并将我们从昂贵的数据标注需求中解放出来。通过学习捕获数据中正常性分布的生成模型，我们可以隔离出导致低正常性分数（高异常分数）的异常数据点。此外，通过利用生成网络（即基于能量的模型）的能力，我们还能够自动学习特征表示，而不是依赖于数十年来主导异常检测研究的手工制作特征。我们在视频异常检测的具体应用上展示了我们的方案，实验结果表明，我们的方法性能优于基线方法，并且在许多基准视频异常检测数据集上与最先进的方法相当。
引用
@article{arxiv.1708.05211,
title = {Energy-based Models for Video Anomaly Detection},
author = {Hung Vu and Dinh Phung and Tu Dinh Nguyen and Anthony Trevors and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1708.05211},
year = {2017}
}