RandomSEMO：面向视频异常检测的运动物体正常性学习
计算机视觉与模式识别
2022-02-15 v1
摘要
近期的异常检测算法通过采用帧预测自编码器展现出强大性能。然而，这些方法面临两个挑战性情形。首先，它们可能被训练得过于强大，甚至能很好地生成异常帧，从而导致异常检测失败。其次，它们被前景与背景中捕获的大量物体分散注意力。为解决这些问题，我们提出一种基于超像素的视频数据变换技术，称为运动物体随机超像素擦除(RandomSEMO)以及运动物体损失(MOLoss)，构建于一个简单的轻量自编码器之上。RandomSEMO 应用于运动物体区域，随机擦除其超像素。它迫使网络关注前景物体并更有效地学习正常特征，而非简单地预测未来帧。此外，MOLoss 通过放大运动物体附近像素上的损失，促使模型专注于学习 RandomSEMO 内捕获的正常物体。实验结果表明，我们的模型在三个基准上优于 SOTA。
引用
@article{arxiv.2202.06256,
title = {RandomSEMO: Normality Learning Of Moving Objects For Video Anomaly Detection},
author = {Chaewon Park and Minhyeok Lee and MyeongAh Cho and Sangyoun Lee},
journal= {arXiv preprint arXiv:2202.06256},
year = {2022}
}
备注
4 pages, ICIP 2022 under review