論文の概要: When, Where, and What? A New Dataset for Anomaly Detection in Driving Videos

• arxiv url: http://arxiv.org/abs/2004.03044v1
• Date: Mon, 6 Apr 2020 23:58:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 07:11:42.466008
• Title: When, Where, and What? A New Dataset for Anomaly Detection in Driving Videos
• Title（参考訳）: いつ、どこで、そして何? 運転映像における異常検出のための新しいデータセット
• Authors: Yu Yao, Xizi Wang, Mingze Xu, Zelin Pu, Ella Atkins, David Crandall
• Abstract要約: 本稿では,エゴセントリックなビデオから異常なイベントを検出し,局所化し,認識するための,テキストオンリーパイプラインによるトラフィック異常検出を提案する。 本研究では,時間的,空間的,カテゴリー的アノテーションを備えた4,677本のビデオを含む,交通異常検出(DoTA)と呼ばれる新しいデータセットを提案する。
• 参考スコア（独自算出の注目度）: 9.638503179434581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection (VAD) has been extensively studied. However, research on egocentric traffic videos with dynamic scenes lacks large-scale benchmark datasets as well as effective evaluation metrics. This paper proposes traffic anomaly detection with a \textit{when-where-what} pipeline to detect, localize, and recognize anomalous events from egocentric videos. We introduce a new dataset called Detection of Traffic Anomaly (DoTA) containing 4,677 videos with temporal, spatial, and categorical annotations. A new spatial-temporal area under curve (STAUC) evaluation metric is proposed and used with DoTA. State-of-the-art methods are benchmarked for two VAD-related tasks.Experimental results show STAUC is an effective VAD metric. To our knowledge, DoTA is the largest traffic anomaly dataset to-date and is the first supporting traffic anomaly studies across when-where-what perspectives. Our code and dataset can be found in: https://github.com/MoonBlvd/Detection-of-Traffic-Anomaly
• Abstract（参考訳）: ビデオ異常検出(VAD)は広く研究されている。 しかし、ダイナミックなシーンを持つエゴセントリックなトラフィックビデオの研究には、大規模なベンチマークデータセットや効果的な評価指標が欠けている。 本稿では,エゴセントリックビデオからの異常イベントの検出,ローカライズ,認識を行うための,\textit{when-where-what}パイプラインを用いたトラヒック異常検出を提案する。 本研究では,時間的,空間的,カテゴリー的アノテーションを備えた4,677本のビデオを含む,交通異常検出(DoTA)と呼ばれる新しいデータセットを提案する。 曲線下の新しい時空間面積(STAUC)評価指標を提案し,DoTAと併用した。 実験結果から, STAUCは有効なVAD指標であることが示された。 我々の知る限り、DoTAは今までで最大のトラフィック異常データセットであり、何の観点からも初めてのトラフィック異常研究をサポートする。 私たちのコードとデータセットは、https://github.com/MoonBlvd/Detection-of-Traffic-Anomalyで参照できます。

関連論文リスト

• Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
  本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。 提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-12T03:31:29Z)
• FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection [11.978966689499702]
  異常検出のための大規模レーンレベル高速道路交通データセットを初めて導入する。 当社のデータセットは、ナッシュビルに向かう州間高速道路24号線の18マイル延長に沿って、4車線で収集された1ヶ月のレーダー検出センサーデータで構成されています。 本研究では,事故の75%を検知しながら,報告遅延を平均10分以上低減できることを示す。
  論文  参考訳（メタデータ） (2024-06-21T16:27:17Z)
• VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs [64.60035916955837]
  VANE-Benchはビデオの異常や矛盾を検出するためのビデオLMMの熟練度を評価するために設計されたベンチマークである。 我々のデータセットは、既存の最先端のテキスト・ビデオ生成モデルを用いて合成された一連のビデオから構成される。 我々は、このベンチマークタスクにおいて、オープンソースとクローズドソースの両方で既存の9つのビデオLMMを評価し、ほとんどのモデルが微妙な異常を効果的に識別するのに困難に直面することを発見した。
  論文  参考訳（メタデータ） (2024-06-14T17:59:01Z)
• Towards Video Anomaly Retrieval from Video Anomaly Detection: New Benchmarks and Model [70.97446870672069]
  ビデオ異常検出(VAD)はその潜在的な応用により注目されている。 Video Anomaly Retrieval (VAR)は、関連のある動画をモダリティによって実用的に検索することを目的としている。 一般的な異常データセットの上に構築されたUCFCrime-ARとXD-Violenceの2つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-07-24T06:22:37Z)
• CHAD: Charlotte Anomaly Dataset [2.6774008509840996]
  ビデオ異常検出のためのシャーロット異常データセット(CHAD)を提案する。 CHADはバウンディングボックス、アイデンティティ、各アクターのアノテーションを含む最初の異常データセットである。 4つのカメラビューと115万フレーム以上を持つCHADは、完全注釈付き異常検出データセットとしては最大である。
  論文  参考訳（メタデータ） (2022-12-19T06:05:34Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)
• Graph Convolutional Networks for traffic anomaly [4.172516437934823]
  イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。 空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。 我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
  論文  参考訳（メタデータ） (2020-12-25T22:36:22Z)
• DS-Net: Dynamic Spatiotemporal Network for Video Salient Object Detection [78.04869214450963]
  時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。 提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-09T06:42:30Z)
• Localizing Anomalies from Weakly-Labeled Videos [45.58643708315132]
  Weakly Supervised Anomaly Localization (WSAL)法を提案する。 異常映像の出現差にインスパイアされ, 隣接する時間領域の進化を異常映像の局所化のために評価した。 提案手法は,UCF-CrimeおよびTADデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-08-20T12:58:03Z)
• Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
  本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。 我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
  論文  参考訳（メタデータ） (2020-06-15T05:40:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。