基于多示例学习与深度时序编解码的视频异常检测
计算机视觉与模式识别
2021-01-06 v2
摘要
本文提出一种基于多示例学习的弱监督深度时序编解码方法，用于监控视频中的异常检测。所提方法在训练阶段同时使用异常与正常视频片段，并在多示例框架下构建：将视频视为包，视频片段视为包中的示例。我们的主要贡献在于提出了一种考虑视频示例间时序关系的新方法。我们将视频示例（片段）作为序列视觉数据而非独立示例来处理。我们采用一个深度时序编码器网络，旨在捕捉视频示例随时间的时空演化。我们还提出了一种比计算机视觉文献中近期类似损失函数更平滑的新损失函数，因此在训练阶段具有更快的收敛速度和对局部极小值的更好容忍度。所提带改进损失的时序编解码方法在仿真研究中与当前最优方法进行了基准对比。结果表明，所提方法在视频监控异常检测应用中性能与当前最优方法相当或更优。
引用
@article{arxiv.2007.01548,
title = {Multiple Instance-Based Video Anomaly Detection using Deep Temporal Encoding-Decoding},
author = {Ammar Mansoor Kamoona and Amirali Khodadadian Gosta and Alireza Bab-Hadiashar and Reza Hoseinnezhad},
journal= {arXiv preprint arXiv:2007.01548},
year = {2021}
}
备注
The paper is under review