异常检测概述(二) : Reconstruction Model

发布网友 发布时间：2024-10-24 09:34

我来回答

共1个回答

热心网友 时间：2024-11-01 07:25

视频异常检测，探索方法研究进展

本文专注于视频异常检测领域的最新方法研究，关注于应用方向的深入探索与评判。异常检测从视频数据中发现不寻常之处，根据[5]定义，异常（离群点）是指一个观察结果严重偏离其他观察结果，这可能暗示其生成机制不同。异常在[4]中被解释为不符合预期的模式。预期模式可能源自专家知识、数据驱动，或两者结合的数据和专家知识建模。视频异常检测的目标是识别数据中的异常模式或运动，这些异常模式是罕见或不常见的事件。

本文对现有视频异常检测领域的方法进行了分类整理，并对有监督、半监督方法的假设进行了讨论。方法分类包括重构、时空模型、生成、和其他模型。本文重点介绍重构模型，包括Conv-AutoEncoder（CVPR 2016）、Constractive-AutoEncoder（JMLR 2014）、Adversarial-AutoEncoder、Denoising AutoEncoder、以及Cross-Channels Prediction（CVPR 2017）。

重构模型通过输入帧进行降维，然后恢复维度，以重建的图像与原图像的差异作为异常检测分数和定位依据。Conv-AutoEncoder网络结构使用滑动窗口获取连续帧，输入网络进行重构。不同时间间隔的帧取样方法用于数据增强。Adversarial-AutoEncoder通过GAN方法优化AutoEncoder的隐层表示，与高斯分布相近，改善重构损失。Denoising AutoEncoder在ICML 2008中提出，用于学习补全输入的缺失信息，生成更丰富的数据集表示。Cross-Channels Prediction（CVPR 2017）则将输入图片划分为多类通道，进行跨模态重构。

这些重构模型在不同数据集上的表现各异，Conv-AutoEncoder在CUHK avenue数据集上的AUC能够达到83%~84%。Adversarial-AutoEncoder引入了对抗性学习，生成异常热图。Denoising AutoEncoder在CVPR 2018中衍生为对抗学习单分类器，用于识别数据集的属性。Cross-Channels Prediction在UCSD数据集上表现最好，达到了97.4%的准确率。然而，该方法在UCSD数据集中的局限性在于单个行人所占的面积较小，人与人之间有足够的间隔，这使得行人之间的差异不明显，对于异常检测效果有限。

重构模型在视频异常检测中有广泛应用，为识别不常见事件提供了有效工具。不同方法根据应用场景和数据特点进行选择与优化，以提高异常检测的准确性和效率。希望本文能为视频异常检测领域的研究提供参考与启发。