面向弱监督视频异常检测的无偏多示例学习
计算机视觉与模式识别
2023-03-23 v1
摘要
弱监督视频异常检测（WSVAD）具有挑战性，因为异常二值标签仅在视频级别给出，而输出需要片段级预测。因此，多示例学习（MIL）在 WSVAD 中十分流行。然而，MIL 众所周知地存在大量误报，因为片段级检测器容易偏向具有简单上下文的异常片段，被具有相同偏差的正常样本混淆，并遗漏具有不同模式的异常。为此，我们提出一种新的 MIL 框架：无偏 MIL（UMIL），以学习无偏异常特征从而改进 WSVAD。在每次 MIL 训练迭代中，我们使用当前检测器将样本划分为具有不同上下文偏差的两组：最具置信度的异常/正常片段与剩余的模糊片段。然后，通过寻求两组样本间的不变特征，我们可以去除易变的上下文偏差。在基准 UCF-Crime 和 TAD 上的大量实验证明了我们的 UMIL 的有效性。我们的代码发布于 https://github.com/ktr-hubrt/UMIL。
引用
@article{arxiv.2303.12369,
title = {Unbiased Multiple Instance Learning for Weakly Supervised Video Anomaly Detection},
author = {Hui Lv and Zhongqi Yue and Qianru Sun and Bin Luo and Zhen Cui and Hanwang Zhang},
journal= {arXiv preprint arXiv:2303.12369},
year = {2023}
}
备注
11 pages,10 figures