Grid HTM：用于视频异常检测的层次时序记忆
计算机视觉与模式识别
2022-06-01 v1 机器学习
摘要
过去几年中，对视频异常检测系统的兴趣逐渐增长。当前方法使用深度学习来执行视频中的异常检测，但该方法存在多重问题。首先，深度学习总体上面临噪声、概念漂移、可解释性与训练数据量等问题。此外，异常检测本身是一项复杂任务，面临未知性、异质性与类别不平衡等挑战。因此，基于深度学习的异常检测主要局限于生成对抗网络与自编码器等生成模型，因其无监督特性，但即便它们也受一般深度学习问题困扰且难以正确训练。本文中，我们探索层次时序记忆(HTM)算法执行视频异常检测的能力，因其具有噪声容忍与在线学习等有利特性，可应对概念漂移。我们引入 HTM 的新版本，即 Grid HTM，一种基于 HTM 的架构，专用于监控录像等复杂视频中的异常检测。
引用
@article{arxiv.2205.15407,
title = {Grid HTM: Hierarchical Temporal Memory for Anomaly Detection in Videos},
author = {Vladimir Monakhov and Vajira Thambawita and Pål Halvorsen and Michael A. Riegler},
journal= {arXiv preprint arXiv:2205.15407},
year = {2022}
}
备注
7 pages