基于中心引导判别学习的弱监督视频异常检测
计算机视觉与模式识别
2021-04-16 v1
摘要
由于异常视频内容与时长的多样性，监控视频中的异常检测是一项具有挑战性的任务。本文将视频异常检测视为弱监督下针对视频片段异常分数的回归问题。为此，我们提出了一种称为异常回归网络（Anomaly Regression Net, AR-Net）的异常检测框架，该框架在训练阶段仅需视频级标签。进一步地，为学习用于异常检测的判别性特征，我们为所提出的 AR-Net 设计了动态多示例学习损失与中心损失。前者用于增大异常与正常样本之间的类间距离，而后者旨在减小正常样本的类内距离。我们在具有挑战性的基准数据集 ShanghaiTech 上进行了全面的实验。我们的方法在 ShanghaiTech 数据集上取得了视频异常检测的新的 SOTA 结果。
引用
@article{arxiv.2104.07268,
title = {Weakly Supervised Video Anomaly Detection via Center-guided Discriminative Learning},
author = {Boyang Wan and Yuming Fang and Xue Xia and Jiajie Mei},
journal= {arXiv preprint arXiv:2104.07268},
year = {2021}
}
备注
Accepted in ICME 2020