合成时序异常引导的端到端视频异常检测
计算机视觉与模式识别
2021-10-20 v1
摘要
由于异常样本有限，视频异常检测常被视为一类分类（OCC）问题。解决该问题的流行方法是利用仅在正常数据上训练的自编码器（AE）。测试时，期望AE能良好重建正常输入，而较差地重建异常。然而，多项研究表明，即便仅以正常数据训练，AE也常开始重建异常，从而削弱其异常检测性能。为缓解此问题，我们提出一种时序伪异常合成器，仅使用正常数据生成伪异常。随后训练AE在伪异常上最大化重建损失，而在正常数据上最小化该损失。如此，促使AE对正常与异常帧产生可区分的重建。在三个具挑战性的视频异常数据集上的大量实验与分析证明了我们的方法能有效改进基础AE，优于若干现有SOTA模型。
引用
@article{arxiv.2110.09768,
title = {Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection},
author = {Marcella Astrid and Muhammad Zaigham Zaheer and Seung-Ik Lee},
journal= {arXiv preprint arXiv:2110.09768},
year = {2021}
}
备注
Published at ICCV Workshops 2021. https://openaccess.thecvf.com/content/ICCV2021W/RSLCV/html/Astrid_Synthetic_Temporal_Anomaly_Guided_End-to-End_Video_Anomaly_Detection_ICCVW_2021_paper.html