具有误报率渐近界监控视频中的在线异常检测
计算机视觉与模式识别
2020-10-15 v1 机器学习
图像与视频处理
机器学习
摘要
监控视频中的异常检测正吸引越来越多的关注。尽管近期方法具有竞争性性能，它们缺乏理论性能分析，特别是由于决策中所用的复杂深度神经网络架构。此外，在线决策是该领域中重要但大多被忽视的因素。许多声称在线的方法在实践中依赖于批处理或离线处理。受这些研究空白的推动，我们提出了一种监控视频中具有误报率渐近界的在线异常检测方法，这进而提供了选取满足期望误报率的合适决策阈值的清晰步骤。我们提出的算法由一个多目标深度学习模块与一个统计异常检测模块组成，其有效性在多个公开可用数据集上得到验证，其中我们优于SOTA算法。所有代码可在https://github.com/kevaldoshi17/Prediction-based-Video-Anomaly-Detection-获取。
引用
@article{arxiv.2010.07110,
title = {Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds on False Alarm Rate},
author = {Keval Doshi and Yasin Yilmaz},
journal= {arXiv preprint arXiv:2010.07110},
year = {2020}
}
备注
Submitted to Pattern Recognition. arXiv admin note: substantial text overlap with arXiv:2004.07941