基于隐式潜特征正则化流的无监督视频异常检测

在当代社会，监控异常检测（即在监控视频中发现犯罪或事故等异常事件）是一项关键任务。由于异常事件极少发生，大多数训练数据由不含异常事件的未标注视频组成，这使得该任务极具挑战性。现有多数方法使用自编码器（AE）学习重建正常视频，随后依据其无法重建异常场景外观来检测异常。然而，由于异常需通过外观与运动共同区分，许多先前方法显式分离了外观与运动信息——例如使用预训练光流模型。这种显式分离限制了两类信息间的相互表征能力。与之相反，我们提出隐式双路自编码器（ITAE），其结构包含隐式建模外观与运动特征的两个编码器，以及将二者结合以学习正常视频模式的单一解码器。针对正常场景的复杂分布，我们建议通过基于正则化流（NF）的生成模型对 ITAE 特征进行正态密度估计，以学习易处理的似然并借助分布外检测识别异常。NF 模型通过隐式学习特征来建模正态性，从而强化 ITAE 性能。最后，我们在六个基准上验证了 ITAE 及其特征分布建模的有效性，其中包括包含真实场景多样异常的数据集。