“遗忘”遗忘门：使用自包含长短期记忆网络估计视频中的异常
计算机视觉与模式识别
2021-04-06 v1
摘要
异常事件检测是一项具有挑战性的任务，需要有效处理外观与运动的复杂特征。在本文中，我们提出一种通过在正常稠密光流上学习新颖的基于LSTM的自包含网络来检测视频中异常的方法。由于其sigmoid实现，标准LSTM的遗忘门易于在如异常检测等长序列任务中忽略并丢弃相关内容。遗忘门降低了前一隐藏状态对单元状态计算的参与，优先当前输入。此外，标准LSTM的双曲正切激活在网络变深时牺牲性能。为应对这两个局限，我们引入了一种双门、轻量LSTM单元，通过丢弃遗忘门并引入sigmoid激活。具体而言，我们提出的LSTM架构完全保留来自前一隐藏状态的内容，从而使训练模型鲁棒并在评估时做出与上下文无关的判定。移除遗忘门得到一种简化且轻量的LSTM单元，具有改进的性能有效性与计算效率。实证评估表明，所提出的基于双门LSTM的网络在CUHK Avenue和UCSD数据集上优于多种基于LSTM的模型，验证了其在异常检测与泛化任务上的有效性。
引用
@article{arxiv.2104.01478,
title = {"Forget" the Forget Gate: Estimating Anomalies in Videos using Self-contained Long Short-Term Memory Networks},
author = {Habtamu Fanta and Zhiwen Shao and Lizhuang Ma},
journal= {arXiv preprint arXiv:2104.01478},
year = {2021}
}
备注
16 pages, 7 figures, Computer Graphics International (CGI) 2020