学习不重建异常

由于异常样本稀缺，视频异常检测常被视为一类分类（OCC）问题。通常，为解决该问题，训练一个自动编码器（AE）以仅由正常数据组成的训练集来重建输入。在测试时，期望 AE 能良好重建正常数据而较差地重建异常数据。然而，若干研究表明，即使仅以正常数据训练，AE 也常开始重建异常，从而削弱异常检测性能。为缓解此问题，我们提出一种新颖方法，以仅重建正常数据为目标训练 AE，而不论输入如何（正常或异常）。由于在 OCC 设定下无真实异常可用，训练由通过操纵正常数据以模拟正常数据外分布而生成的伪异常辅助。我们还提出两种生成伪异常的方式：基于块和基于跳帧。在三个具挑战性的视频异常数据集上的大量实验证明了我们的方法在改进常规 AE 上的有效性，取得了最先进的性能。