論文の概要: Local Anomaly Detection in Videos using Object-Centric Adversarial
Learning
- arxiv url: http://arxiv.org/abs/2011.06722v1
- Date: Fri, 13 Nov 2020 02:02:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:34:23.708894
- Title: Local Anomaly Detection in Videos using Object-Centric Adversarial
Learning
- Title(参考訳): 物体中心対角学習を用いたビデオの局所的異常検出
- Authors: Pankaj Raj Roy, Guillaume-Alexandre Bilodeau and Lama Seoud
- Abstract要約: 本稿では,ビデオ中のフレームレベルの局所異常を検出するために,オブジェクト領域のみを必要とする2段階のオブジェクト中心対向フレームワークを提案する。
第1段階は、現在の外観と、通常と見なされる場面における物体の過去の勾配画像との対応を学習することで、現在の外観から過去の勾配を生成できるか、逆から生成することができる。
第2段階は、実際の画像と生成された画像(外観と過去の勾配)の間の部分再構成誤差を通常の物体の挙動で抽出し、対向的に判別器を訓練する。
- 参考スコア(独自算出の注目度): 12.043574473965318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel unsupervised approach based on a two-stage object-centric
adversarial framework that only needs object regions for detecting frame-level
local anomalies in videos. The first stage consists in learning the
correspondence between the current appearance and past gradient images of
objects in scenes deemed normal, allowing us to either generate the past
gradient from current appearance or the reverse. The second stage extracts the
partial reconstruction errors between real and generated images (appearance and
past gradient) with normal object behaviour, and trains a discriminator in an
adversarial fashion. In inference mode, we employ the trained image generators
with the adversarially learned binary classifier for outputting region-level
anomaly detection scores. We tested our method on four public benchmarks, UMN,
UCSD, Avenue and ShanghaiTech and our proposed object-centric adversarial
approach yields competitive or even superior results compared to
state-of-the-art methods.
- Abstract(参考訳): 本稿では,ビデオ中のフレームレベルの局所異常を検出するために対象領域のみを必要とする2段階のオブジェクト中心対向フレームワークに基づく,教師なしの新たなアプローチを提案する。
第1段階は、現在の外観と通常の場面における物体の過去の勾配画像との対応を学習することで、現在の外観から過去の勾配を生成することができる。
第2段階は、実画像と生成された画像(出現および過去の勾配)の間の部分的再構成誤差を正常な対象動作で抽出し、逆向きに判別器を訓練する。
推論モードでは,領域レベルの異常検出スコアを出力するために,逆学習したバイナリ分類器を用いたトレーニング画像生成器を用いる。
提案手法は,umn,ucsd, avenue, shanghaitechの4つの公開ベンチマークで検証し,提案手法は最先端の手法と比較して,競争力や優れた結果をもたらす。
関連論文リスト
- Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation :
A Unified Approach [52.14916470104883]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Learning to search for and detect objects in foveal images using deep
learning [3.655021726150368]
本研究では,画像中のクラスを探索する人間の客観的な注意をエミュレートする固定予測モデルを用いる。
そして、各固定点のフェーブされた画像を分類して、シーンにターゲットが存在するか否かを判定する。
本稿では,2つのタスク間の知識伝達を可能とし,修正予測と検出を同時に行うことができる新しいデュアルタスクモデルを提案する。
論文 参考訳(メタデータ) (2023-04-12T09:50:25Z) - Object Class Aware Video Anomaly Detection through Image Translation [1.2944868613449219]
本稿では、画像翻訳タスクを通して正常な外見と動きパターンを学習する2ストリームオブジェクト認識型VAD手法を提案する。
その結果,従来の手法の大幅な改善により,本手法による検出は完全に説明可能となり,異常はフレーム内で正確に局所化されることがわかった。
論文 参考訳(メタデータ) (2022-05-03T18:04:27Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - Region-level Active Learning for Cluttered Scenes [60.93811392293329]
本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。
その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
論文 参考訳(メタデータ) (2021-08-20T14:02:38Z) - Object-aware Contrastive Learning for Debiased Scene Representation [74.30741492814327]
オブジェクトを自己教師型でローカライズする,オブジェクト認識型コントラスト学習フレームワークを開発した。
また、コントラCAM、オブジェクト認識型乱作、背景混合に基づく2つのデータ拡張を導入し、コントラスト型自己教師型学習における文脈バイアスと背景バイアスを低減した。
論文 参考訳(メタデータ) (2021-07-30T19:24:07Z) - Predicting Next Local Appearance for Video Anomaly Detection [12.800599155185996]
本研究では,シーンの次のフレームにおいて,普通に振る舞う物体の出現を予測することによって,時間的局所的な外観変化を学習する逆向きの枠組みを提案する。
異常な振る舞いのある物体が存在する場合、その物体の現実と予測される次の出現の間の再構成誤差は異常の可能性を示唆する。
提案手法は,既存の最先端技術と競合すると同時に,トレーニングと推論の両面において極めて高速であり,映像シーンの非表示化に優れる。
論文 参考訳(メタデータ) (2021-06-10T21:26:07Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳(メタデータ) (2021-04-08T19:04:55Z) - Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。
境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。
実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文 参考訳(メタデータ) (2021-02-16T17:58:57Z)
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。