用于视频异常检测的可学习局部敏感哈希
计算机视觉与模式识别
2021-11-17 v2
摘要
视频异常检测（VAD）主要指识别训练集中未出现过的异常事件，而训练集仅包含正常样本。现有工作通常将 VAD 表述为重建或预测问题。然而，这些方法的适应性与可扩展性有限。本文提出一种新颖的基于距离的 VAD 方法，以高效且灵活地利用所有可用正常数据。在我们的方法中，测试样本与正常样本之间的距离越小，该测试样本为正常的概率越高。具体而言，我们提出使用局部敏感哈希（LSH）将相似度超过某一阈值的样本预先映射到同一桶中。以此方式，近邻搜索的复杂度显著降低。为使语义相似的样本更靠近、不相似的样本更远离，我们提出一种新颖的可学习 LSH 版本，将 LSH 嵌入神经网络中，并通过对比学习策略优化哈希函数。所提方法对数据不平衡具有鲁棒性，并能灵活处理正常数据中较大的类内差异。此外，它具有良好的可扩展性。大量实验证明了我们方法的优越性，在 VAD 基准上取得了新的 SOTA 结果。
引用
@article{arxiv.2111.07839,
title = {Learnable Locality-Sensitive Hashing for Video Anomaly Detection},
author = {Yue Lu and Congqi Cao and Yanning Zhang},
journal= {arXiv preprint arXiv:2111.07839},
year = {2021}
}