LGN-Net：用于视频异常检测的局部-全局正态性网络
计算机视觉与模式识别
2023-01-10 v3
摘要
视频异常检测（VAD）因其在智能视频系统中的潜在应用而被广泛研究多年。现有无监督 VAD 方法倾向于仅从由正常视频组成的训练集中学习正态性，并将偏离该正态性的实例视为异常。然而，它们常只考虑时间维度上的局部或全局正态性。其中一些方法专注于从连续帧学习局部时空表示以增强正常事件的表征，但强大的表征使这些方法能表示某些异常并导致漏检。相反，另一些方法致力于记忆整段训练视频的原型正常模式以削弱对异常的泛化，这也限制它们表示多样正常模式并导致误报。为此，我们提出一种双分支模型，局部-全局正态性网络（LGN-Net），以同时学习局部与全局正态性。具体而言，一分支利用时空预测网络从连续帧学习表观与运动的演化规律作为局部正态性，另一分支通过记忆模块记忆整段视频的原型特征作为全局正态性。LGN-Net 通过融合局部与全局正态性，实现了对正常与异常实例表征的平衡。此外，融合的正态性使 LGN-Net 比仅利用单一正态性更能泛化至各类场景。实验证明了我们方法的有效性与优越性能。代码在线可用：https://github.com/Myzhao1999/LGN-Net。
引用
@article{arxiv.2211.07454,
title = {LGN-Net: Local-Global Normality Network for Video Anomaly Detection},
author = {Mengyang Zhao and Xinhua Zeng and Yang Liu and Jing Liu and Di Li and Xing Hu and Chengxin Pang},
journal= {arXiv preprint arXiv:2211.07454},
year = {2023}
}