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

要約

この論文は、ビデオ監視のためのビデオ異常検出問題に取り組んでいます。
異常なイベントの固有の希少性と不均一性により、問題は正規性モデリング戦略と見なされます。この戦略では、トレーニング中に異常なサンプルを見ることなく、モデルがオブジェクト中心の正常なパターンを学習します。
主な貢献は、事前に訓練されたオブジェクト レベルのアクション機能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です。したがって、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、以前の方法を拡張します。
私たちのフレームワークは、外観とモーションの両方の情報を活用して、オブジェクト レベルの動作を学習し、メモリ モジュール内の典型的なパターンをキャプチャします。
いくつかのよく知られているデータセットでの実験は、最も関連性のある時空間評価指標で現在の最先端技術よりも優れているため、私たちの方法の有効性を示しています。

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