面向社交视频直播流的在线异常检测
计算机视觉与模式识别
2024-01-18 v1
摘要
社交视频异常是指视频流中不符合数据集行为常见模式的观测。社交视频异常检测在从电子商务到电子学习的应用中起着关键作用。传统上，异常检测技术被用于发现视频广播中的异常。然而，它们忽略了包含与观众互动交谈、演讲或讲座的实时社交视频流。本文提出一个通用框架，用于有效在线检测社交视频直播流中的异常（AOVLIS）。具体而言，我们提出一种新颖的深度神经网络模型，称为耦合长短期记忆网络（CLSTM），它自适应地捕捉主播和观众的历史行为及其相互交互，以预测他们在流中下一时间点的行为。然后，我们将 CLSTM 与解码器层良好集成，并提出一种新的基于重构误差的评分函数 ，用于计算每个视频片段的异常得分以进行异常检测。此后，我们提出一种新颖的模型更新方案，增量式地维护 CLSTM 和解码器。此外，我们设计了一种新颖的上界和自适应优化策略（ADOS）来提高解决方案的效率。大量实验证明了 AOVLIS 的优越性。
引用
@article{arxiv.2401.08615,
title = {Online Anomaly Detection over Live Social Video Streaming},
author = {Chengkun He and Xiangmin Zhou and Chen Wang and Iqbal Gondal and Jie Shao and Xun Yi},
journal= {arXiv preprint arXiv:2401.08615},
year = {2024}
}