PseudoBound：利用伪异常限制一类分类器的异常重建能力
计算机视觉与模式识别
2023-03-21 v1
摘要
由于异常事件罕见，视频异常检测通常被作为一类分类（OCC）问题处理。在 OCC 中，通常训练一个自编码器（AE）仅重建正常训练数据，期望在测试时其能较差地重建异常数据。然而，先前研究表明，即使仅用正常数据训练，AE 也常能较好地重建异常数据，导致性能下降。为缓解该问题，我们提出通过在 AE 训练过程中引入伪异常来限制 AE 的异常重建能力。使用五类伪异常的大量实验表明了我们的训练机制对任意类型伪异常的鲁棒性。此外，我们在三个基准视频异常数据集上证明了所提出的基于伪异常的训练方法相对于多种现有最先进（SOTA）方法的有效性，在两个数据集上优于所有其他基于重建的方法，并在另一个数据集上取得第二佳性能。
引用
@article{arxiv.2303.10704,
title = {PseudoBound: Limiting the anomaly reconstruction capability of one-class classifiers using pseudo anomalies},
author = {Marcella Astrid and Muhammad Zaigham Zaheer and Seung-Ik Lee},
journal= {arXiv preprint arXiv:2303.10704},
year = {2023}
}