論文の概要: A Video Anomaly Detection Framework based on Appearance-Motion Semantics Representation Consistency

• arxiv url: http://arxiv.org/abs/2204.04151v1
• Date: Fri, 8 Apr 2022 15:59:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-11 13:05:15.437378
• Title: A Video Anomaly Detection Framework based on Appearance-Motion Semantics Representation Consistency
• Title（参考訳）: 出現動作のセマンティック表現一貫性に基づくビデオ異常検出フレームワーク
• Authors: Xiangyu Huang, Caidan Zhao, Yilin Wang, Zhiqiang Wu
• Abstract要約: 本稿では,正常データの外観と動作意味表現の整合性を利用して異常検出を行うフレームワークを提案する。 通常のサンプルの外観および動作情報表現を符号化する2ストリームエンコーダを設計する。 異常サンプルの外観と運動特性の低い一貫性は、より大きな再構成誤差で予測されたフレームを生成するために使用できる。
• 参考スコア（独自算出の注目度）: 18.06814233420315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection refers to the identification of events that deviate from the expected behavior. Due to the lack of anomalous samples in training, video anomaly detection becomes a very challenging task. Existing methods almost follow a reconstruction or future frame prediction mode. However, these methods ignore the consistency between appearance and motion information of samples, which limits their anomaly detection performance. Anomalies only occur in the moving foreground of surveillance videos, so the semantics expressed by video frame sequences and optical flow without background information in anomaly detection should be highly consistent and significant for anomaly detection. Based on this idea, we propose Appearance-Motion Semantics Representation Consistency (AMSRC), a framework that uses normal data's appearance and motion semantic representation consistency to handle anomaly detection. Firstly, we design a two-stream encoder to encode the appearance and motion information representations of normal samples and introduce constraints to further enhance the consistency of the feature semantics between appearance and motion information of normal samples so that abnormal samples with low consistency appearance and motion feature representation can be identified. Moreover, the lower consistency of appearance and motion features of anomalous samples can be used to generate predicted frames with larger reconstruction error, which makes anomalies easier to spot. Experimental results demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: ビデオ異常検出(video anomaly detection)は、期待された行動から逸脱する事象の識別を指す。 トレーニングに異常なサンプルがないため、ビデオ異常検出は非常に難しい課題となる。 既存の方法は、再構成または将来のフレーム予測モードにほぼ従う。 しかし,これらの手法は,標本の出現と運動情報の一貫性を無視し,異常検出性能を制限している。 監視映像の移動フォアグラウンドでのみ異常が発生するため,背景情報のない映像フレームシーケンスと光フローで表現される意味論は,異常検出において高い一貫性と意義を持つべきである。 そこで本研究では,正規データの出現と動作意味表現の一貫性を用いて異常検出を行うフレームワークであるaspect-motion semantics representation consistency (amsrc)を提案する。 まず,通常サンプルの外観・動作情報表現を符号化する2ストリームエンコーダを設計し,正常サンプルの外観・動作情報間の特徴意味の一貫性をさらに高めることにより,異常サンプルの出現・動作特徴表現の特定を可能にする。 また,異常標本の出現・運動特性の一貫性を低下させることで,復元誤差が大きい予測フレームの生成が可能となり,異常検出が容易になる。 実験の結果,提案手法の有効性が示された。

関連論文リスト

• Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [49.91075101563298]
  イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。 これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。 提案手法はAPやAUCといった最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-02T10:42:47Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Updated version: A Video Anomaly Detection Framework based on Appearance-Motion Semantics Representation Consistency [2.395616571632115]
  本稿では,出現動作のセマンティックス一貫性表現の枠組みを提案する。 この2ストリーム構造は、通常のサンプルの外観および動き情報表現を符号化するように設計されている。 特徴セマンティクスの整合性を高めるために、一貫性の低い異常を識別できるように、新しい整合性損失を提案する。
  論文  参考訳（メタデータ） (2023-03-09T08:28:34Z)
• Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
  本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。 我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
  論文  参考訳（メタデータ） (2022-12-05T14:29:16Z)
• Spatio-temporal predictive tasks for abnormal event detection in videos [60.02503434201552]
  オブジェクトレベルの正規化パターンを学習するための制約付きプレテキストタスクを提案する。 我々のアプローチは、ダウンスケールの視覚的クエリとそれに対応する正常な外観と運動特性のマッピングを学習することである。 いくつかのベンチマークデータセットの実験では、異常の局所化と追跡のためのアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2022-10-27T19:45:12Z)
• 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)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Video Anomaly Detection By The Duality Of Normality-Granted Optical Flow [1.8065361710947974]
  正規性付与光流の双対性によって異常を正常なものと区別する。 出現運動対応方式をフレーム再構成から予測まで拡張する。
  論文  参考訳（メタデータ） (2021-05-10T12:25:00Z)
• Unsupervised Video Anomaly Detection via Normalizing Flows with Implicit Latent Features [8.407188666535506]
  既存のほとんどのメソッドはオートエンコーダを使用して、通常のビデオの再構築を学ぶ。 本稿では2つのエンコーダが暗黙的に外観と動きの特徴をモデル化する構造である暗黙の2経路AE(ITAE)を提案する。 通常のシーンの複雑な分布については,ITAE特徴量の正規密度推定を提案する。 NFモデルは暗黙的に学習された機能を通じて正常性を学ぶことでITAEのパフォーマンスを高める。
  論文  参考訳（メタデータ） (2020-10-15T05:02:02Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• 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)

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。