面向多任务轨迹异常检测的整体表示学习
计算机视觉与模式识别
2023-11-06 v1
摘要
视频异常检测涉及视频中异常事件的识别。除视觉信号外，视频异常检测也借助骨架序列得以解决。我们提出一种骨架轨迹的整体表示，以学习不同时间上各段之间的预期运动。我们的方法使用多任务学习来重建轨迹的任何连续未观测时间片段，从而允许对过去或未来片段的外推以及中间片段的插值。我们使用端到端的基于注意力的编码器-解码器。我们对时间遮挡的轨迹进行编码，联合学习遮挡片段的潜在表示，并基于不同时间片段间的预期运动重建轨迹。在三个基于轨迹的视频异常检测数据集上的大量实验显示了我们的方法的优势与有效性，在骨架轨迹异常检测上取得了最先进的结果。
引用
@article{arxiv.2311.01851,
title = {Holistic Representation Learning for Multitask Trajectory Anomaly Detection},
author = {Alexandros Stergiou and Brent De Weerdt and Nikos Deligiannis},
journal= {arXiv preprint arXiv:2311.01851},
year = {2023}
}
备注
Accepted at Winter Conference on Applications of Computer Vision (WACV) 2023