論文の概要: Point Cloud Video Anomaly Detection Based on Point Spatio-Temporal Auto-Encoder

• arxiv url: http://arxiv.org/abs/2306.04466v1
• Date: Sun, 4 Jun 2023 10:30:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 14:00:52.594895
• Title: Point Cloud Video Anomaly Detection Based on Point Spatio-Temporal Auto-Encoder
• Title（参考訳）: ポイント時空間オートエンコーダを用いたポイントクラウドビデオ異常検出
• Authors: Tengjiao He and Wenguang Wang
• Abstract要約: 我々は、ポイントクラウドビデオの異常を検出するためにポイントクラウドビデオを入力として使用する自動エンコーダフレームワークであるポイント時自動エンコーダ(PSTAE)を提案する。 本手法はTIMoデータセット上に新しい最先端(SOTA)を設定する。
• 参考スコア（独自算出の注目度）: 1.4340883856076097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection has great potential in enhancing safety in the production and monitoring of crucial areas. Currently, most video anomaly detection methods are based on RGB modality, but its redundant semantic information may breach the privacy of residents or patients. The 3D data obtained by depth camera and LiDAR can accurately locate anomalous events in 3D space while preserving human posture and motion information. Identifying individuals through the point cloud is difficult due to its sparsity, which protects personal privacy. In this study, we propose Point Spatio-Temporal Auto-Encoder (PSTAE), an autoencoder framework that uses point cloud videos as input to detect anomalies in point cloud videos. We introduce PSTOp and PSTTransOp to maintain spatial geometric and temporal motion information in point cloud videos. To measure the reconstruction loss of the proposed autoencoder framework, we propose a reconstruction loss measurement strategy based on a shallow feature extractor. Experimental results on the TIMo dataset show that our method outperforms currently representative depth modality-based methods in terms of AUROC and has superior performance in detecting Medical Issue anomalies. These results suggest the potential of point cloud modality in video anomaly detection. Our method sets a new state-of-the-art (SOTA) on the TIMo dataset.
• Abstract（参考訳）: ビデオ異常検出は重要な領域の生産と監視において安全性を高める大きな可能性を秘めている。 現在、ほとんどのビデオ異常検出手法はrgbモダリティに基づいているが、冗長な意味情報は住民や患者のプライバシーを侵害する可能性がある。 深度カメラとLiDARによって得られた3Dデータは、人間の姿勢や動き情報を保存しながら、3D空間における異常事象を正確に検出することができる。 個人をクラウドで特定することは、個人のプライバシーを守るため困難である。 本研究では,ポイントクラウド動画を入力として,ポイントクラウドビデオの異常を検出する自動エンコーダフレームワークであるpoint spatio-temporal auto-encoder (pstae)を提案する。 我々はPSTOpとPSTTransOpを導入し、点雲ビデオにおける空間的幾何学的・時間的運動情報を維持する。 提案するオートエンコーダフレームワークの復元損失を測定するため,浅部特徴抽出器に基づく再構成損失計測戦略を提案する。 TIMoデータセットを用いた実験結果から,本手法はAUROCにおいて現在代表的奥行き変調法よりも優れており,医学的問題異常の検出に優れた性能を示した。 これらの結果は,ビデオ異常検出における点雲変調の可能性を示している。 本手法はTIMoデータセット上に新しい最先端(SOTA)を設定する。

関連論文リスト

• Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection [103.92970668001277]
  弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。 まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。 そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-04T09:40:11Z)
• A Spatial-Temporal Deformable Attention based Framework for Breast Lesion Detection in Videos [107.96514633713034]
  本稿では,STNet という空間的・時間的変形可能なアテンションベースのフレームワークを提案する。 我々のSTNetは、局所的な空間的時間的特徴融合を行うために、空間的時間的変形可能なアテンションモジュールを導入している。 乳腺病変の超音波画像データセットを用いた実験により,STNetは最先端の検出性能を得ることができた。
  論文  参考訳（メタデータ） (2023-09-09T07:00:10Z)
• Toward Unsupervised 3D Point Cloud Anomaly Detection using Variational Autoencoder [10.097126085083827]
  本稿では3次元点雲に対するエンドツーエンドの教師なし異常検出フレームワークを提案する。 本稿では,3次元点群に適応した深部変分自動エンコーダに基づく非教師なし異常検出ネットワークと,特に3次元点群に対する異常スコアを提案する。
  論文  参考訳（メタデータ） (2023-04-07T00:02:37Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Unsupervised Anomaly Detection from Time-of-Flight Depth Images [11.485364355489462]
  ビデオ異常検出(VAD)は、ビデオデータ中の異常事象を自動的に検出する問題に対処する。 本研究では,フォアグラウンドマスクの形でシーン解析のための補助情報を容易に抽出できることを示す。
  論文  参考訳（メタデータ） (2022-03-02T11:59:03Z)
• Video Salient Object Detection via Contrastive Features and Attention Modules [106.33219760012048]
  本稿では,注目モジュールを持つネットワークを用いて,映像の有意な物体検出のためのコントラスト特徴を学習する。 コアテンションの定式化は、低レベル特徴と高レベル特徴を組み合わせるために用いられる。 提案手法は計算量が少なく,最先端の手法に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-03T17:40:32Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection [64.2159881697615]
  3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。 本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。 我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-06-08T05:15:06Z)
• Anomaly Detection in Video Data Based on Probabilistic Latent Space Models [7.269230232703388]
  可変オートエンコーダ(VAE)は、ビデオフレームの寸法を小さくするために用いられる。 離散的および連続的推論レベルで定義される適応マルコフジャンプ粒子フィルタを用いて、以下のフレームを予測する。 本手法は,半自律車両が閉じた環境下で一連のタスクを実行する場合の様々なビデオシナリオで評価する。
  論文  参考訳（メタデータ） (2020-03-17T10:32:22Z)

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。