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

• arxiv url: http://arxiv.org/abs/2303.05109v1
• Date: Thu, 9 Mar 2023 08:28:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 15:35:01.566296
• Title: Updated version: A Video Anomaly Detection Framework based on Appearance-Motion Semantics Representation Consistency
• Title（参考訳）: 更新バージョン: 出現・動きのセマンティクス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 and Zhiqiang Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.395616571632115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection is an essential but challenging task. The prevalent methods mainly investigate the reconstruction difference between normal and abnormal patterns but ignore the semantics consistency between appearance and motion information of behavior patterns, making the results highly dependent on the local context of frame sequences and lacking the understanding of behavior semantics. To address this issue, we propose a framework of Appearance-Motion Semantics Representation Consistency that uses the gap of appearance and motion semantic representation consistency between normal and abnormal data. The two-stream structure is designed to encode the appearance and motion information representation of normal samples, and a novel consistency loss is proposed to enhance the consistency of feature semantics so that anomalies with low consistency can be identified. Moreover, the lower consistency features of anomalies can be used to deteriorate the quality of the predicted frame, which makes anomalies easier to spot. Experimental results demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: ビデオ異常検出は必須だが難しい課題である。 一般的な手法は, 正常パターンと異常パターンの再構成の差異を主に検討するが, 行動パターンの出現と動作情報のセマンティクス一貫性を無視し, フレームシーケンスの局所的文脈に大きく依存し, 行動セマンティクスの理解を欠いている。 そこで本研究では,正規データと異常データとの出現・移動意味表現のギャップを利用した出現・移動意味表現一貫性の枠組みを提案する。 この2つのストリーム構造は,正規サンプルの出現・運動情報表現を符号化するために設計され,特徴セマンティクスの一貫性を高めるために新たな一貫性損失が提案されている。 さらに、異常の低い整合性特徴を用いて予測フレームの品質を劣化させ、異常を見つけやすくすることができる。 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

• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• 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)
• 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)
• A Video Anomaly Detection Framework based on Appearance-Motion Semantics Representation Consistency [18.06814233420315]
  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。
  論文  参考訳（メタデータ） (2022-04-08T15:59:57Z)
• 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)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)
• 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。