用于无监督视频异常检测的合成伪异常：一种基于掩码自编码器的简洁高效框架
计算机视觉与模式识别
2023-03-10 v1
摘要
由于可用于训练的异常样本有限，视频异常检测通常被视为一类分类问题。许多主流方法研究自编码器(AEs)产生的重建差异，其假设是AEs能很好地重建正常数据而较差地重建异常。然而，即使仅用正常数据训练，AEs也常能很好地重建异常，这削弱了它们的异常检测性能。为缓解此问题，我们提出一种简洁高效的视频异常检测框架。引入伪异常样本，其仅通过嵌入随机掩码令牌由正常数据合成，无需额外数据处理。我们还提出一种正常性一致性训练策略，鼓励AEs更好地从正常及相应伪异常数据中学习规律知识。如此，AEs在正常与异常数据间学到了更明显的重建边界，从而获得更优的异常判别能力。实验结果证明了所提方法的有效性。
引用
@article{arxiv.2303.05112,
title = {Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder},
author = {Xiangyu Huang and Caidan Zhao and Chenxing Gao and Lvdong Chen and Zhiqiang Wu},
journal= {arXiv preprint arXiv:2303.05112},
year = {2023}
}
备注
Accepted to ICASSP2023