弱监督视频异常检测中被忽视的视频分类
计算机视觉与模式识别
2023-04-21 v2
摘要
当前弱监督视频异常检测算法大多使用多示例学习（MIL）或其变体。几乎所有近期方法都聚焦于如何为训练选取正确的片段以提升性能。它们忽视或未意识到视频分类在提升异常检测性能方面的威力。本文中，我们显式地研究了使用 BERT 或 LSTM 进行视频分类监督的威力。借助该 BERT 或 LSTM，可将一个视频中所有片段的 CNN 特征聚合为单一特征，用于视频分类。这一简单而强大的视频分类监督，融入 MIL 框架后，在三大主流视频异常检测数据集上均带来卓越的性能提升。尤其在 XD-Violence 上，它将平均精度均值（mAP）从 SOTA 的 78.84% 提升至新的 82.10%。源代码见 https://github.com/wjtan99/BERT_Anomaly_Video_Classification。
引用
@article{arxiv.2210.06688,
title = {Overlooked Video Classification in Weakly Supervised Video Anomaly Detection},
author = {Weijun Tan and Qi Yao and Jingfeng Liu},
journal= {arXiv preprint arXiv:2210.06688},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2101.10030 by other authors