面向无监督视频异常生成的生成式协同学习方法
计算机视觉与模式识别
2022-03-09 v1
摘要
视频异常检测在弱监督与单类分类（OCC）设定下已被充分研究。然而，无监督视频异常检测方法相当稀少，可能因为异常出现频率低且通常定义不清，加之缺乏真值监督，会对学习算法性能产生不利影响。该问题具挑战性但也很有价值，因其可彻底消除获取费力标注的成本，并使此类系统能在无人工干预下部署。为此，我们提出一种新颖的无监督生成式协同学习（GCL）视频异常检测方法，利用异常的低频特性在生成器与判别器间构建交叉监督。本质上，两个网络以协同方式训练，从而实现无监督学习。我们在两个大规模视频异常检测数据集 UCF crime 和 ShanghaiTech 上进行了大量实验。相较现有最优的无监督与 OCC 方法的一致提升印证了我们方法的有效性。
引用
@article{arxiv.2203.03962,
title = {Generative Cooperative Learning for Unsupervised Video Anomaly Detection},
author = {Muhammad Zaigham Zaheer and Arif Mahmood and Muhammad Haris Khan and Mattia Segu and Fisher Yu and Seung-Ik Lee},
journal= {arXiv preprint arXiv:2203.03962},
year = {2022}
}
备注
Accepted to the Conference on Computer Vision and Pattern Recognition CVPR 2022