用于异常检测的图嵌入姿态聚类
计算机视觉与模式识别
2020-04-13 v2
摘要
我们提出一种新的人体动作异常检测方法。我们的方法直接作用于可从输入视频序列计算出的人体姿态图，使得分析独立于视角或光照等干扰参数。我们将这些图映射至潜空间并聚类。随后每个动作由其向各聚类的软分配表示，这赋予数据一种“词袋”式表征，其中每个动作由其与一组基动作词的相似度表示。接着，我们采用基于狄利克雷过程（Dirichlet process）的混合模型——其善于处理如软分配向量这般的比例数据——来判断动作是否正常。我们在两类数据集上评估了该方法。第一类为细粒度异常检测数据集（如 ShanghaiTech），旨在检测某动作的异常变体；第二类为粗粒度异常检测数据集（如基于 Kinetics 的数据集），其中仅少数动作视为正常，其余皆应判为异常。在基准上的大量实验表明，我们的方法显著优于其他 SOTA 方法。
引用
@article{arxiv.1912.11850,
title = {Graph Embedded Pose Clustering for Anomaly Detection},
author = {Amir Markovitz and Gilad Sharir and Itamar Friedman and Lihi Zelnik-Manor and Shai Avidan},
journal= {arXiv preprint arXiv:1912.11850},
year = {2020}
}
备注
Code is available at https://github.com/amirmk89/gepc. CVPR 2020