面向视频异常事件检测的对象中心自编码器与伪异常

视频中的异常事件检测是一项具有挑战性的视觉问题。由于训练期间异常数据的稀缺，大多数现有方法将异常事件检测表述为离群点检测任务。由于缺乏关于异常事件的先验信息，这些方法不能完全区分正常与异常事件。本文中，我们将异常事件检测形式化为一类对余类的二分类问题。我们的贡献有两方面。首先，我们引入基于对象中心卷积自编码器的无监督特征学习框架，以编码运动和表观信息。其次，我们提出一种基于将训练样本聚类为正常性簇的监督分类方法。然后采用一类对余类异常事件分类器将每个正常性簇与其余分离。为训练分类器，其他簇充当伪异常。在推理期间，若一类对余类分类器所赋予的最高分类得分为负，则对象被标记为异常。在四个基准上进行了综合实验：Avenue、ShanghaiTech、UCSD和UMN。我们的方法在所有四个数据集上均提供了更优结果。在大规模ShanghaiTech数据集上，我们的方法在帧级AUC方面相比最先进方法[Sultani et al., CVPR 2018]提供了8.4%的绝对提升。