Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection
计算机视觉与模式识别
2026-03-27 v1 机器学习
摘要
基于轨迹的异常检测支撑着从欺诈检测到城市交通分析等各种应用。稠密 GPS 方法保留细粒度证据如异常速度和短时事件，但其二次计算成本使多月分析难以实现；因此，现有方法无法检测多月稠密 GPS 轨迹中的异常。该领域反而依赖于可扩展稀疏驻点方法，这些方法丢弃了这些证据，迫使为每个情境构建独立的架构，阻碍了知识迁移。我们认为这一瓶颈是不必要的：人类轨迹（无论稠密稀疏）都具有沿日内和跨日轴的自然二维循环结构。因此，我们提出TITAnD（Trajectory Image Transformer for Anomaly Detection），将轨迹异常检测问题范式化为视觉问题，通过将轨迹表示为高光谱轨迹图像（HTI）：一个日 x 时间-天格子，其通道编码来自两种模态的空间、语义、时间和运动学信息，从而统一稠密和稀疏两种表示。 在此框架下，代理级检测简化为图像分类，时间局部化简化为语义分割。为建模该表示，我们引入循环因子化 Transformer（CFT），其在两个时间轴上对注意力进行因子化，编码了人类例行程序的循环归纳偏置，同时将注意力成本降低几个数量级，首次实现稠密多月异常检测。经验上，TITAnD 在稀疏和稠密基准上实现了最佳 AUC-PR，超越了如 UNet 等视觉模型，同时比 Transformer 快 11-75 倍，内存占用相当，表明视觉重构和结构感知建模的结合是关键。代码将很快公开。
关键词
引用
@article{arxiv.2603.25255,
title = {Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection},
author = {Md Awsafur Rahman and Chandrakanth Gudavalli and Hardik Prajapati and B. S. Manjunath},
journal= {arXiv preprint arXiv:2603.25255},
year = {2026}
}