Object-centric and memory-guided normality reconstruction for video anomaly detection

要約

このペーパーでは、ビデオ監視におけるビデオ異常検出の問題について説明します。
異常イベントには固有の希少性と異質性があるため、この問題は正常性モデリング戦略としてみなされており、モデルはトレーニング中に異常サンプルを見ることなくオブジェクト中心の正常パターンを学習します。
主な貢献は、事前トレーニングされたオブジェクトレベルのアクション特徴のプロトタイプをコサイン距離ベースの異常推定関数と結合することにより、主流の再構成ベースの戦略に追加の制約を導入することで以前の方法を拡張することにあります。
私たちのフレームワークは、外観と動きの情報の両方を活用してオブジェクトレベルの動作を学習し、メモリモジュール内のプロトタイプのパターンをキャプチャします。
いくつかのよく知られたデータセットでの実験により、最も関連する時空間評価指標において現在の最先端技術を上回るパフォーマンスを示すため、私たちの方法の有効性が実証されています。

要約(オリジナル)

This paper addresses video anomaly detection problem for videosurveillance. Due to the inherent rarity and heterogeneity of abnormal events, the problem is viewed as a normality modeling strategy, in which our model learns object-centric normal patterns without seeing anomalous samples during training. The main contributions consist in coupling pretrained object-level action features prototypes with a cosine distance-based anomaly estimation function, therefore extending previous methods by introducing additional constraints to the mainstream reconstruction-based strategy. Our framework leverages both appearance and motion information to learn object-level behavior and captures prototypical patterns within a memory module. Experiments on several well-known datasets demonstrate the effectiveness of our method as it outperforms current state-of-the-art on most relevant spatio-temporal evaluation metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google