uTRAND：交通轨迹中的无监督异常检测
计算机视觉与模式识别
2024-04-22 v1 人工智能
机器学习
摘要
基于深度学习的方法已在公共视频异常数据集上取得了显著改进，但在实际应用中往往表现不佳。本文解决了两个问题：缺乏标注数据以及难以解释神经网络的预测。为此，我们提出了一个名为 uTRAND 的框架，将异常轨迹预测问题从像素空间转移到语义-拓扑域。该框架在安装于交叉路口的交通摄像机的鸟瞰视频中检测并跟踪各类交通智能体。通过将交叉路口概念化为基于分块的图，表明该框架无需昂贵的手动标注即可学习并建模交通智能体的正常行为。此外，uTRAND 允许制定简单的规则，以适合人类解释的方式对异常轨迹进行分类。我们展示了 uTRAND 在真实环境中收集的异常轨迹数据集上优于其他 SOTA 方法，同时产生可解释的检测结果。
引用
@article{arxiv.2404.12712,
title = {uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories},
author = {Giacomo D'Amicantonio and Egor Bondarau and Peter H. N. de With},
journal= {arXiv preprint arXiv:2404.12712},
year = {2024}
}