Lightning Fast Video Anomaly Detection via Adversarial Knowledge Distillation

要約

ビデオの異常検出のための非常に高速なフレームレベル モデルを提案します。このモデルは、複数の非常に正確なオブジェクト レベルの教師モデルから知識を抽出することによって異常を検出することを学習します。
生徒の忠実度を向上させるために、標準蒸留と敵対的蒸留を併用して教師の低解像度異常マップを抽出し、各教師に敵対的弁別器を導入して、ターゲットと生成された異常マップを区別します。
3 つのベンチマーク (Avenue、ShanghaiTech、UCSD Ped2) で実験を行い、最近の方法に匹敵する結果を得ながら、私たちの方法が最速の競合方法よりも 7 倍以上高速であり、オブジェクト中心モデルよりも 28 倍から 62 倍高速であることを示しています。
.
また、私たちの評価では、前代未聞の 1480 FPS の速度により、モデルが速度と精度の間で最良のトレードオフを達成していることも示されています。
さらに、建築設計の選択を正当化するために、包括的なアブレーション研究を実施しています。

要約(オリジナル)

We propose a very fast frame-level model for anomaly detection in video, which learns to detect anomalies by distilling knowledge from multiple highly accurate object-level teacher models. To improve the fidelity of our student, we distill the low-resolution anomaly maps of the teachers by jointly applying standard and adversarial distillation, introducing an adversarial discriminator for each teacher to distinguish between target and generated anomaly maps. We conduct experiments on three benchmarks (Avenue, ShanghaiTech, UCSD Ped2), showing that our method is over 7 times faster than the fastest competing method, and between 28 and 62 times faster than object-centric models, while obtaining comparable results to recent methods. Our evaluation also indicates that our model achieves the best trade-off between speed and accuracy, due to its previously unheard-of speed of 1480 FPS. In addition, we carry out a comprehensive ablation study to justify our architectural design choices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google