基于弱标签视频的异常定位
计算机视觉与模式识别
2021-04-15 v3
摘要
在视频级标签下的视频异常检测目前是一项具有挑战性的任务。已有研究在判别视频序列是否包含异常方面取得了进展。然而,大多数方法无法在时域中准确局部化视频内的异常事件。本文提出一种弱监督异常定位(WSAL)方法,专注于在异常视频中按时域定位异常片段。受异常视频中外观差异的启发,我们评估相邻时域片段的演化以实现异常片段的定位。为此,提出一种高阶上下文编码模型,不仅提取语义表示,还度量动态变化,从而有效利用时域上下文。此外,为充分利用空间上下文信息,直接从片段表示中导出即时语义。动态变化与即时语义被高效聚合以获得最终异常分数。进一步提出一种增强策略,以应对异常检测中的噪声干扰与定位引导缺失问题。而且,为满足异常检测基准的多样性需求,我们还收集了一个新的交通异常(TAD)数据集,其专门针对交通场景,与当前流行的异常检测评测基准差异显著。大量实验验证了各组件的有效性,且我们所提方法在 UCF-Crime 和 TAD 数据集上取得了新的 SOTA 性能。
引用
@article{arxiv.2008.08944,
title = {Localizing Anomalies from Weakly-Labeled Videos},
author = {Hui Lv and Chuanwei Zhou and Chunyan Xu and Zhen Cui and Jian Yang},
journal= {arXiv preprint arXiv:2008.08944},
year = {2021}
}