用于异常检测的时空视频解析

视频中的异常检测由于所有不规则物体和行为的类别规模无限而带来特殊挑战。因此，没有（或远不足够的）异常训练样本可用，我们需要在实际上不知道它们是什么的情况下在测试数据中发现异常。然而，该领域的主流概念是直接搜索彼此独立的单个异常局部块或图像区域。为了解决这个问题，我们提出了一种通过时空视频解析来联合检测视频中异常的方法。视频解析的目标是找到一组不可或缺的正常时空物体假设，它们共同解释视频的所有前景，同时得到正常训练样本的支持。因此，我们避免直接检测异常，而是将那些为覆盖前景所需但自身无法由正常样本解释的假设间接发现为异常。异常通过图模型中的MAP推断进行定位，并且我们通过将其表述为一个凸优化问题来高效求解。我们在几个具有挑战性的基准数据集上对我们的方法进行了实验评估，在所有标准基准上无论是在异常分类还是定位方面都优于最先进水平（SOTA）。