CHAD: Charlotte Anomaly Dataset

要約

近年、ビデオの異常検出のためのデータ駆動型ディープ ラーニング アプローチに大きな関心が寄せられています。このアプローチでは、ビデオの特定のフレームに異常な動作が含まれているかどうかをアルゴリズムで判断する必要があります。
ただし、ビデオの異常検出は特にコンテキスト固有であり、代表的なデータセットを利用できると、現実世界の精度が大幅に制限されます。
さらに、ほとんどの最先端の方法で現在報告されている指標は、モデルが実際のシナリオでどれだけうまく機能するかを反映していないことがよくあります.
この記事では、シャーロット異常データセット (CHAD) を紹介します。
CHAD は、商用駐車場設定の高解像度マルチカメラ異常データセットです。
フレーム レベルの異常ラベルに加えて、CHAD は各アクターのバウンディング ボックス、ID、ポーズの注釈を含む最初の異常データセットです。
これは、スケルトンベースの異常検出に特に有益であり、現実世界の設定での計算要求が低いために役立ちます。
CHAD は、同じシーンの複数のビューを含む最初の異常データセットでもあります。
4 つのカメラ ビューと 115 万を超えるフレームを備えた CHAD は、スマート ビデオ監視アプリケーション用の固定カメラからの連続ビデオ ストリームから収集された、人物の注釈を含む最大の完全に注釈付きの異常検出データセットです。
トレーニングと評価のための CHAD の有効性を実証するために、CHAD で 2 つの最先端のスケルトンベースの異常検出アルゴリズムをベンチマークし、定量的な結果と定性的な検査の両方を含む包括的な分析を提供します。
データセットは https://github.com/TeCSAR-UNCC/CHAD で入手できます。

要約(オリジナル)

In recent years, we have seen a significant interest in data-driven deep learning approaches for video anomaly detection, where an algorithm must determine if specific frames of a video contain abnormal behaviors. However, video anomaly detection is particularly context-specific, and the availability of representative datasets heavily limits real-world accuracy. Additionally, the metrics currently reported by most state-of-the-art methods often do not reflect how well the model will perform in real-world scenarios. In this article, we present the Charlotte Anomaly Dataset (CHAD). CHAD is a high-resolution, multi-camera anomaly dataset in a commercial parking lot setting. In addition to frame-level anomaly labels, CHAD is the first anomaly dataset to include bounding box, identity, and pose annotations for each actor. This is especially beneficial for skeleton-based anomaly detection, which is useful for its lower computational demand in real-world settings. CHAD is also the first anomaly dataset to contain multiple views of the same scene. With four camera views and over 1.15 million frames, CHAD is the largest fully annotated anomaly detection dataset including person annotations, collected from continuous video streams from stationary cameras for smart video surveillance applications. To demonstrate the efficacy of CHAD for training and evaluation, we benchmark two state-of-the-art skeleton-based anomaly detection algorithms on CHAD and provide comprehensive analysis, including both quantitative results and qualitative examination. The dataset is available at https://github.com/TeCSAR-UNCC/CHAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google