基于期望最大化滤波的即插即用异常检测
计算机视觉与模式识别
2020-06-17 v1 机器学习
摘要
人群中的异常检测可实现早期救援响应。用于人群监控的即插即用智能摄像头与典型异常检测有许多不同约束：训练数据不能迭代使用；没有训练标签；训练与分类需同时进行。我们在本文中以我们的方法应对所有这些约束。我们提出一个核心异常检测（CAD）神经网络，以无监督方法学习场景中物体的运动行为。在标准数据集上的平均结果显示，仅训练单轮的 CAD 相较于卷积自编码器和基于卷积 LSTM 的方法的最佳结果，曲线下面积（AUC）分别提升 4.66% 和 4.9%。仅训练单轮时，我们的方法相较基于卷积 LSTM 的方法将 AUC 提高 8.03%。我们还提出一个期望最大化滤波器，用于为核心异常检测网络选择训练样本。在视频流上进行人群异常检测时，整体框架相较基于未来帧预测的方法将 AUC 提高 24.87%。我们认为我们的工作是使用具备自主即插即用智能摄像头与深度学习方法进行人群异常检测的第一步。
引用
@article{arxiv.2006.08933,
title = {Plug-and-Play Anomaly Detection with Expectation Maximization Filtering},
author = {Muhammad Umar Karim Khan and Mishal Fatima and Chong-Min Kyung},
journal= {arXiv preprint arXiv:2006.08933},
year = {2020}
}