基于以紧凑运动表征为条件的扩散模型的无监督视频异常检测
计算机视觉与模式识别
2023-07-20 v2
摘要
本文旨在解决无监督视频异常检测 (VAD) 问题，即在不使用任何标签的情况下将视频中的每一帧分类为正常或异常。为此，所提方法采用条件扩散模型，其中输入数据是从预训练网络提取的时空特征，条件则是从紧凑运动表征提取的特征，后者从运动与表观方面概括给定视频段。我们的方法利用数据驱动阈值，并将高重建误差视为异常事件的指示。本研究首次将紧凑运动表征用于 VAD，且在两个大规模 VAD 基准上的实验表明，它们为扩散模型提供了相关信息，从而相较现有最佳方法提升了 VAD 性能。重要的是，我们的方法在不同数据集间展现出更好的泛化性能，显著优于 SOTA 与基线方法。我们的方法代码见 https://github.com/AnilOsmanTur/conditioned_video_anomaly_diffusion。
引用
@article{arxiv.2307.01533,
title = {Unsupervised Video Anomaly Detection with Diffusion Models Conditioned on Compact Motion Representations},
author = {Anil Osman Tur and Nicola Dall'Asen and Cigdem Beyan and Elisa Ricci},
journal= {arXiv preprint arXiv:2307.01533},
year = {2023}
}
备注
Accepted to ICIAP 2023