弱监督联合异常检测与分类
计算机视觉与模式识别
2021-08-23 v1 人工智能
摘要
抢劫、爆炸、事故等异常活动在现实世界的监控系统中需要立即采取行动以防止人员和财产损失。尽管近期监控系统的自动化能够检测异常，但仍需人力对异常进行分类并采取必要的预防措施。这是由于缺乏针对真实场景同时执行异常检测与分类的方法。考虑到一个能够同时检测和分类需立即处理的异常的全自动监控系统，联合异常检测与分类方法迫在眉睫。由于缺少与异常类别相关的密集标注视频（这是训练现代深度架构的关键因素），联合异常检测与分类任务变得具有挑战性。此外，通过人工努力来完成似乎是不可能的。因此，我们提出了一种采用弱监督学习范式在单一框架中联合处理异常检测与分类的方法。在弱监督学习中，无需密集时间标注，仅视频级标签即可用于学习。所提模型在大规模公开可用的 UCF-Crime 数据集上得到验证，取得了最先进的结果。
引用
@article{arxiv.2108.08996,
title = {Weakly-supervised Joint Anomaly Detection and Classification},
author = {Snehashis Majhi and Srijan Das and Francois Bremond and Ratnakar Dash and Pankaj Kumar Sa},
journal= {arXiv preprint arXiv:2108.08996},
year = {2021}
}
备注
Provisionally accepted in the first round of FG 2021