Generalized Video Anomaly Event Detection: Systematic Taxonomy and Comparison of Deep Models

要約

ビデオ異常検出 (VAD) は、インテリジェント監視システムにおいて極めて重要なテクノロジーとして機能し、ビデオ内の異常なイベントを時間的または空間的に識別できるようにします。
既存のレビューは主に従来の教師なし手法に焦点を当てていますが、弱い教師付きアプローチや完全に教師なしアプローチの出現を見落としていることがよくあります。
このギャップに対処するために、この調査では、VAD の従来の範囲を教師なし手法を超えて拡張し、一般化ビデオ異常イベント検出 (GVAED) と呼ばれるより広い範囲を包含します。
この調査は、多様な仮定と学習フレームワークに根ざした最近の進歩を巧みに組み込むことにより、教師なし、弱い教師あり、教師あり、完全教師なしの VAD 方法論をシームレスにナビゲートする直観的な分類法を導入し、これらの研究軌跡内の区別と相互関係を明らかにしています。
さらに、この調査は、公開データセット、利用可能なコードベース、プログラミング ツール、関連文献などの研究リソースをまとめることにより、将来の研究者を容易にします。
さらに、この調査ではモデルのパフォーマンスを定量的に評価し、研究の課題と方向性を掘り下げ、将来の探索に向けた潜在的な手段の概要を示します。

要約(オリジナル)

Video Anomaly Detection (VAD) serves as a pivotal technology in the intelligent surveillance systems, enabling the temporal or spatial identification of anomalous events within videos. While existing reviews predominantly concentrate on conventional unsupervised methods, they often overlook the emergence of weakly-supervised and fully-unsupervised approaches. To address this gap, this survey extends the conventional scope of VAD beyond unsupervised methods, encompassing a broader spectrum termed Generalized Video Anomaly Event Detection (GVAED). By skillfully incorporating recent advancements rooted in diverse assumptions and learning frameworks, this survey introduces an intuitive taxonomy that seamlessly navigates through unsupervised, weakly-supervised, supervised and fully-unsupervised VAD methodologies, elucidating the distinctions and interconnections within these research trajectories. In addition, this survey facilitates prospective researchers by assembling a compilation of research resources, including public datasets, available codebases, programming tools, and pertinent literature. Furthermore, this survey quantitatively assesses model performance, delves into research challenges and directions, and outlines potential avenues for future exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google