X-MAN：解释视频中多源异常
计算机视觉与模式识别
2021-06-17 v1
摘要
我们的目标是在检测视频中异常的同时，自动解释检测器响应背后的原因。在实际应用中，可解释性对该任务至关重要，因为对异常的所需响应取决于其性质和严重程度。然而，大多数主流方法（基于深度神经网络）不可解释，并将决策过程隐藏于不可解释的特征表示中。为解决此问题，我们做出以下贡献：(1) 展示了如何构建适用于以最先进性能检测异常的可解释特征表示；(2) 提出了一种可解释的概率异常检测器，能够利用高层概念描述其响应背后的原因；(3) 我们首次直接考虑物体交互用于异常检测；(4) 提出了一种解释异常的新任务，并发布了一个用于在该任务上评估方法的大规模数据集。我们的方法在公开数据集上与最先进水平相当，同时提供基于物体及其交互的异常解释。
引用
@article{arxiv.2106.08856,
title = {X-MAN: Explaining multiple sources of anomalies in video},
author = {Stanislaw Szymanowicz and James Charles and Roberto Cipolla},
journal= {arXiv preprint arXiv:2106.08856},
year = {2021}
}
备注
In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, June 2021