基于多路径帧预测的鲁棒无监督视频异常检测
计算机视觉与模式识别
2021-05-28 v2 机器学习
摘要
视频异常检测常用于安防监控等诸多应用，且极具挑战性。近期多数视频异常检测方法利用深度重构模型，但其性能常因实际中正常与异常视频帧间重构误差差异不足而不佳。同时，基于帧预测的异常检测方法已展现出良好前景。本文提出一种新颖且鲁棒的无监督视频异常检测方法，通过合理设计的帧预测实现，更贴合监控视频特性。所提方法配备基于多路径 ConvGRU 的帧预测网络，能更好处理不同尺度的语义信息对象与区域，并捕捉正常视频中的时空依赖。训练时引入噪声容忍损失以减轻背景噪声干扰。在 CUHK Avenue、ShanghaiTech Campus 和 UCSD Pedestrian 数据集上的大量实验表明，我们的方法优于现有最优方法。值得注意的是，在 CUHK Avenue 数据集上我们的方法取得了 88.3% 的帧级 AUROC 分数。
引用
@article{arxiv.2011.02763,
title = {Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction},
author = {Xuanzhao Wang and Zhengping Che and Bo Jiang and Ning Xiao and Ke Yang and Jian Tang and Jieping Ye and Jingyu Wang and Qi Qi},
journal= {arXiv preprint arXiv:2011.02763},
year = {2021}
}
备注
Paper accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS). Article DOI: 10.1109/TNNLS.2021.3083152