视频中异常的无监督合成：对正常样本的变换

异常活动识别需要检测发生的数据严重不平衡的异常事件。在视频中，正常用于描述符合通常事件的活动，而不符合正常的非正常事件被称为异常。在视觉监控中，观察到正常数据远比获取异常数据常见。在本文中，我们提出一种方法，通过对正常数据进行变换来获得异常数据。这是一项具有挑战性的任务，通过多阶段流水线方法得以解决。我们利用若干无监督分割技术，从一组已有的正常样本变换合成新的数据样本。此外，该合成方法作为一种数据增强技术具有有用应用。一个增量训练的贝叶斯卷积神经网络（CNN）被用于仔细筛选可加入的异常样本集合。最终通过该合成方法，我们获得了一组可比的异常样本，可用于训练CNN以分类正常与异常样本。我们通过在两个真实世界数据集上评估表明，该方法可泛化至多种设置，并相较过去用于此任务的其他概率技术取得了更优性能。