面向开放集视频异常检测
计算机视觉与模式识别
2022-08-24 v1
摘要
开放集视频异常检测（OpenVAD）旨在从视频数据中识别异常事件，其中测试时既存在已知异常也存在新颖异常。仅从正常视频学习的无监督模型适用于任意测试异常，但误报率高。相比之下，弱监督方法能有效检测已知异常，但在开放世界中可能失效。我们通过将证据深度学习（EDL）与归一化流（NFs）整合进多示例学习（MIL）框架，为 OpenVAD 问题开发了一种新颖的弱监督方法。具体而言，我们提出使用图神经网络与三元组损失学习判别性特征以训练 EDL 分类器，其中 EDL 能通过量化不确定性识别未知异常。此外，我们开发了不确定性感知选择策略以获取干净异常实例，以及 NFs 模块以生成伪异常。我们的方法因兼具无监督 NFs 与弱监督 MIL 框架之长而优于现有方法。在多个真实世界视频数据集上的实验结果展示了我们方法的有效性。
引用
@article{arxiv.2208.11113,
title = {Towards Open Set Video Anomaly Detection},
author = {Yuansheng Zhu and Wentao Bao and Qi Yu},
journal= {arXiv preprint arXiv:2208.11113},
year = {2022}
}
备注
Accepted to ECCV 2022