FastAno：基于时空块变换的快速异常检测
计算机视觉与模式识别
2021-10-26 v4
摘要
由于对监控视频自动监测的需求日益增长，视频异常检测受到了显著关注。其中，基于预测的方法是最受关注的方法之一，其通过在用训练集中的正常帧学习后，预测测试集中包含异常事件的帧来检测异常。然而，许多预测网络由于使用预训练光流网络而计算代价高昂，或者因其强大的生成能力甚至能预测异常而未能检测异常情况。为解决这些缺陷，我们提出空间旋转变换（SRT）和时间混合变换（TMT），以在正常帧块立方体内生成不规则块立方体，从而增强对正常特征的学习。此外，所提出的块变换仅用于训练阶段，使我们的模型在推理时能快速检测异常帧。我们的模型在三个异常检测基准上进行了评估，取得了具有竞争力的精度，并在速度上超越了所有先前工作。
引用
@article{arxiv.2106.08613,
title = {FastAno: Fast Anomaly Detection via Spatio-temporal Patch Transformation},
author = {Chaewon Park and MyeongAh Cho and Minhyeok Lee and Sangyoun Lee},
journal= {arXiv preprint arXiv:2106.08613},
year = {2021}
}
备注
Accepted to IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2022