Exploring Diffusion Models for Unsupervised Video Anomaly Detection

要約

タイトル：未監視動画異常検出のための拡散モデルの探索
要約：

– 本論文は、データ注釈が使用されない最も難しいが、また最も運用上のシナリオ内で、動画異常検出（VAD）のための拡散モデルの性能を調査した。
– 疎で多様で文脈によっては曖昧なため、異常イベントを正確に検出することは非常に野心的な課題である。そのため、情報豊富な空間時間データと拡散モデルの再構成能力に頼り、高い再構成エラーが異常性を決定するために利用される。
– 2つの大規模な動画異常検出データセットで行われた実験は、提案手法が最新の生成モデルよりも一貫して改善されていることを示し、一部の場合にはより複雑なモデルよりも優れたスコアを達成する。
– これは、拡散モデルを使用し、そのパラメータの影響を調べて監視シナリオでのVADにガイダンスを提供する最初の研究である。

要約(オリジナル)

This paper investigates the performance of diffusion models for video anomaly detection (VAD) within the most challenging but also the most operational scenario in which the data annotations are not used. As being sparse, diverse, contextual, and often ambiguous, detecting abnormal events precisely is a very ambitious task. To this end, we rely only on the information-rich spatio-temporal data, and the reconstruction power of the diffusion models such that a high reconstruction error is utilized to decide the abnormality. Experiments performed on two large-scale video anomaly detection datasets demonstrate the consistent improvement of the proposed method over the state-of-the-art generative models while in some cases our method achieves better scores than the more complex models. This is the first study using a diffusion model and examining its parameters’ influence to present guidance for VAD in surveillance scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI