面向弱监督视频异常检测的长短时程协同教学
计算机视觉与模式识别
2023-04-05 v2
摘要
弱监督视频异常检测（WS-VAD）是一个具有挑战性的问题，旨在仅利用视频级标注学习 VAD 模型。在本工作中，我们提出一种长短时程协同教学（LSTC）方法来解决 WS-VAD 问题。它构建两个基于管状的时空 Transformer 网络，分别从轻期和长期视频片段中学习。每个网络针对基于多示例学习（MIL）的排序损失进行训练，并在可用片段级伪标签时结合交叉熵损失。采用协同教学策略训练两个网络。即，每个网络生成的片段级伪标签用于下一轮训练监督另一个网络，两个网络交替且迭代地学习。我们提出的方法能够更好地处理时长变化以及细微的异常。在三个公开数据集上的大量实验表明，我们的方法优于最先进的 WS-VAD 方法。
引用
@article{arxiv.2303.18044,
title = {Long-Short Temporal Co-Teaching for Weakly Supervised Video Anomaly Detection},
author = {Shengyang Sun and Xiaojin Gong},
journal= {arXiv preprint arXiv:2303.18044},
year = {2023}
}
备注
Accepted by ICME 2023