基于归一化流的频率引导多级人体动作异常检测
计算机视觉与模式识别
2024-04-29 v1
摘要
我们引入了人体动作异常检测（HAAD）任务，其目标是在仅给定预定义的训练动作样本正常类别的情况下，以无监督方式识别异常动作。与先前主要关注视频中异常事件的人体相关异常检测任务相比，HAAD涉及学习特定动作标签以识别语义异常的人体行为。为了解决该任务，我们提出了一种基于归一化流（NF）的检测框架，其中有效利用样本似然来指示异常。由于动作异常通常发生在某些特定身体部位，除了全身动作特征学习外，我们在框架中加入了额外的编码流，以对身体子集进行更精细的建模。因此，我们的框架是多级的，可以联合发现全局和局部运动异常。此外，为了应对记录过程中可能存在的抖动数据，我们采用离散余弦变换，将动作样本从时域转换到频域，以缓解数据不稳定性问题。在两个人体动作数据集上的大量实验结果表明，我们的方法优于将最先进的人体活动异常检测方法适应于HAAD任务所构建的基线方法。
引用
@article{arxiv.2404.17381,
title = {Frequency-Guided Multi-Level Human Action Anomaly Detection with Normalizing Flows},
author = {Shun Maeda and Chunzhi Gu and Jun Yu and Shogo Tokai and Shangce Gao and Chao Zhang},
journal= {arXiv preprint arXiv:2404.17381},
year = {2024}
}