结合自适应阈值的单类与弱监督模型交错训练用于无监督视频异常检测
计算机视觉与模式识别
2024-10-01 v2
摘要
视频异常检测（VAD）在单类分类（OCC）和弱监督学习（WS）的设置下已被广泛研究，但这两种设置都需要费力的人工标注的正常/异常标签。本文通过将 OCC 和 WS 结合到一个统一的训练框架中，研究了不依赖任何标签的无监督 VAD（UVAD）。具体来说，我们将 OCC 扩展为加权 OCC（wOCC），并提出了一个 wOCC-WS 交错训练模块，其中两个模型自动为彼此生成伪标签。为了使这种结合有效，我们面临两个挑战：（1）由于伪标签不可避免的随机性，模型性能在训练过程中偶尔会波动。（2）需要阈值来划分伪标签，使得训练依赖于用户干预的准确性。对于第一个问题，我们提出使用需要软标签的 wOCC，而不是用硬 0/1 标签训练的 OCC，因为软标签在不同的训练周期中表现出高度一致性，而硬标签则容易发生突变。对于第二个问题，我们多次重复交错训练模块，在此期间，我们提出了一种自适应阈值策略，可以逐步将粗略阈值细化为相对最优的阈值，从而减少用户交互的影响。采用 OCC 和 WS 方法组成 UVAD 方法的一个好处是，我们可以将最新的 OCC 或 WS 模型纳入我们的框架。实验证明了所提出的 UVAD 框架的有效性。
引用
@article{arxiv.2401.13551,
title = {Interleaving One-Class and Weakly-Supervised Models with Adaptive Thresholding for Unsupervised Video Anomaly Detection},
author = {Yongwei Nie and Hao Huang and Chengjiang Long and Qing Zhang and Pradipta Maji and Hongmin Cai},
journal= {arXiv preprint arXiv:2401.13551},
year = {2024}
}