Advancing Anomaly Detection: An Adaptation Model and a New Dataset

要約

業界監視は小売、製造、教育、スマートシティなどの分野に広く適用されており、それぞれが特殊な検出を必要とする独自の異常を示します。
ただし、同じシナリオ内で異常検出モデルを新しい視点に適応させるには課題が生じます。
これらのモデルをまったく新しいシナリオに拡張するには、再トレーニングまたは微調整が必​​要ですが、このプロセスには時間がかかる場合があります。
これらの課題に対処するために、私たちは、事前トレーニングされたモデルを新しい概念に迅速に適応させるための少数ショット学習フレームワークを活用する、シナリオ適応型異常検出 (SA2D) 手法を提案します。
このアプローチにもかかわらず、多様なシナリオとカメラ ビューを含む包括的なデータセットが存在しないことから、重大な課題が生じています。
これに応えて、さまざまなカメラ ビューからキャプチャされた 14 の異なるシナリオを含む、マルチシナリオ異常検出 (MSAD) データセットを導入します。
この現実世界のデータセットは、初の高解像度異常検出データセットであり、優れたモデルをトレーニングするための強固な基盤を提供します。
MSAD には、さまざまな照明や気象条件などの困難なバリエーションを組み込んだ、多様な通常の動作パターンが含まれています。
実験を通じて、特に MSAD データセットでトレーニングした場合の SA2D の有効性を検証します。
私たちの結果は、SA2D が同じシナリオ内の新しい視点の下で優れているだけでなく、まったく新しいシナリオに直面したときにも競争力のあるパフォーマンスを発揮することを示しています。
これは、多様で進化する監視シナリオ全体で異常を検出する際の課題に対処する上で、私たちの手法の可能性を強調しています。

要約(オリジナル)

Industry surveillance is widely applicable in sectors like retail, manufacturing, education, and smart cities, each presenting unique anomalies requiring specialized detection. However, adapting anomaly detection models to novel viewpoints within the same scenario poses challenges. Extending these models to entirely new scenarios necessitates retraining or fine-tuning, a process that can be time consuming. To address these challenges, we propose the Scenario-Adaptive Anomaly Detection (SA2D) method, leveraging the few-shot learning framework for faster adaptation of pre-trained models to new concepts. Despite this approach, a significant challenge emerges from the absence of a comprehensive dataset with diverse scenarios and camera views. In response, we introduce the Multi-Scenario Anomaly Detection (MSAD) dataset, encompassing 14 distinct scenarios captured from various camera views. This real-world dataset is the first high-resolution anomaly detection dataset, offering a solid foundation for training superior models. MSAD includes diverse normal motion patterns, incorporating challenging variations like different lighting and weather conditions. Through experimentation, we validate the efficacy of SA2D, particularly when trained on the MSAD dataset. Our results show that SA2D not only excels under novel viewpoints within the same scenario but also demonstrates competitive performance when faced with entirely new scenarios. This highlights our method’s potential in addressing challenges in detecting anomalies across diverse and evolving surveillance scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google