循环往复：基于循环一致性的生成对抗网络短时运动预测异常检测方法
计算机视觉与模式识别
2019-08-09 v1
摘要
异常检测与密切相关的离群点检测任务在许多研究领域都扮演着非常重要的角色。特别是在监控摄像头所记录视频材料的自动化分析背景下，异常情况可能具有非常不同的性质。为此，本文研究了基于生成对抗网络（GAN）的异常检测方法，并将其应用于监控相关场景。研究重点在于静态摄像头配置的使用，因为此类摄像头是最常用的类型之一，且属于较低价格区间。为应对该任务，本文评估了多个子任务，包括现有光流方法对引入短时时间信息的影响、不同的GAN网络结构与损失形式，以及形态学操作对进一步提升性能的效用。借助这些扩展，我们取得了最高达2.4%的性能提升。此外，最终方法将基于GAN的异常检测误差降低了约42.8%。
引用
@article{arxiv.1908.03055,
title = {What goes around comes around: Cycle-Consistency-based Short-Term Motion Prediction for Anomaly Detection using Generative Adversarial Networks},
author = {Thomas Golda and Nils Murzyn and Chengchao Qu and Kristian Kroschel},
journal= {arXiv preprint arXiv:1908.03055},
year = {2019}
}
备注
Accepted for DLAM workshop at AVSS 2019