Adaptive Graph Convolutional Networks for Weakly Supervised Anomaly Detection in Videos

要約

弱く監視された異常検出の場合、ほとんどの既存の作業は、長期的なコンテキスト情報をモデル化できないため、ビデオ表現が不十分であるという問題に限定されます。
これを解決するために、ビデオセグメント間の複雑なコンテキスト関係をモデル化するために、新しい弱教師あり適応グラフ畳み込みネットワーク（WAGCN）を提案します。
これにより、各セグメントの異常確率スコアを生成するときに、現在のビデオセグメントに対する他のビデオセグメントの影響を十分に考慮します。
まず、ビデオセグメントの時間的一貫性と特徴の類似性を組み合わせて、ビデオ内の異常なイベントの時空間的特徴間の関連情報を最大限に活用するグローバルグラフを構築します。
第二に、トポロジーを手動で設定するという制限を打破するために、グラフ学習レイヤーを提案します。これにより、データに基づいてグラフ隣接行列を適応的かつ効果的に抽出できます。
2つの公開データセット（つまり、UCF-CrimeデータセットとShanghaiTechデータセット）での広範な実験は、最先端のパフォーマンスを実現する私たちのアプローチの有効性を示しています。

要約(オリジナル)

For weakly supervised anomaly detection, most existing work is limited to the problem of inadequate video representation due to the inability of modeling long-term contextual information. To solve this, we propose a novel weakly supervised adaptive graph convolutional network (WAGCN) to model the complex contextual relationship among video segments. By which, we fully consider the influence of other video segments on the current one when generating the anomaly probability score for each segment. Firstly, we combine the temporal consistency as well as feature similarity of video segments to construct a global graph, which makes full use of the association information among spatial-temporal features of anomalous events in videos. Secondly, we propose a graph learning layer in order to break the limitation of setting topology manually, which can extract graph adjacency matrix based on data adaptively and effectively. Extensive experiments on two public datasets (i.e., UCF-Crime dataset and ShanghaiTech dataset) demonstrate the effectiveness of our approach which achieves state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google