論文の概要: A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2310.17650v1
• Date: Thu, 26 Oct 2023 17:59:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-27 18:16:31.829480
• Title: A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection
• Title（参考訳）: 教師なしビデオ異常検出のためのC2FPL(Coarse-to-Fine Pseudo-Labeling)フレームワーク
• Authors: Anas Al-lahham, Nurbek Tastan, Zaigham Zaheer, Karthik Nandakumar
• Abstract要約: ビデオにおける異常事象の検出は、監視などのアプリケーションにおいて重要な問題である。 セグメントレベル(正規/異常)の擬似ラベルを生成する簡易な2段擬似ラベル生成フレームワークを提案する。 提案した粗大な擬似ラベル生成器は、慎重に設計された階層的分割クラスタリングと統計的仮説テストを用いている。
• 参考スコア（独自算出の注目度）: 4.494911384096143
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Detection of anomalous events in videos is an important problem in applications such as surveillance. Video anomaly detection (VAD) is well-studied in the one-class classification (OCC) and weakly supervised (WS) settings. However, fully unsupervised (US) video anomaly detection methods, which learn a complete system without any annotation or human supervision, have not been explored in depth. This is because the lack of any ground truth annotations significantly increases the magnitude of the VAD challenge. To address this challenge, we propose a simple-but-effective two-stage pseudo-label generation framework that produces segment-level (normal/anomaly) pseudo-labels, which can be further used to train a segment-level anomaly detector in a supervised manner. The proposed coarse-to-fine pseudo-label (C2FPL) generator employs carefully-designed hierarchical divisive clustering and statistical hypothesis testing to identify anomalous video segments from a set of completely unlabeled videos. The trained anomaly detector can be directly applied on segments of an unseen test video to obtain segment-level, and subsequently, frame-level anomaly predictions. Extensive studies on two large-scale public-domain datasets, UCF-Crime and XD-Violence, demonstrate that the proposed unsupervised approach achieves superior performance compared to all existing OCC and US methods , while yielding comparable performance to the state-of-the-art WS methods.
• Abstract（参考訳）: ビデオ中の異常なイベントの検出は、監視などのアプリケーションにおいて重要な問題である。 video anomaly detection (vad) は one-class classification (occ) と weakly supervised (ws) の設定でよく研究されている。 しかしながら、アノテーションや人間の監督なしに完全なシステムを学ぶ完全教師なし(US)ビデオ異常検出法は、深く研究されていない。 これは、根拠となる真理アノテーションの欠如がVADチャレンジの規模を著しく増加させるためである。 この課題に対処するために,セグメントレベル(通常/異常)の擬似ラベルを生成する,単純だが効率の良い2段階の擬似ラベル生成フレームワークを提案する。 提案するc2fpl生成器は,階層的分割クラスタリングと統計的仮説テストを用いて,完全にラベルのないビデオから異常な映像セグメントを識別する。 訓練された異常検出器は、未検出の試験ビデオのセグメントに直接適用でき、セグメントレベル、後にフレームレベルの異常予測が得られる。 UCF-CrimeとXD-Violenceという2つの大規模パブリックドメインデータセットに関する広範な研究は、提案された教師なしアプローチが、最先端のWSメソッドに匹敵する性能を保ちながら、既存のOCCおよびUSメソッドよりも優れたパフォーマンスを達成することを示した。

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)
• Weakly-Supervised Video Anomaly Detection with Snippet Anomalous Attention [22.985681654402153]
  弱教師付き異常検出のための異常注意機構を提案する。 提案手法は,擬似ラベルの監督を伴わないスニペットレベルの符号化機能を考慮したものである。
  論文  参考訳（メタデータ） (2023-09-28T10:03:58Z)
• Clustering Aided Weakly Supervised Training to Detect Anomalous Events in Surveillance Videos [20.368114998124295]
  ランダムなバッチ選択機構を含む複数のコントリビューションを有する弱教師付き異常検出システムを提案する。 ラベルノイズを緩和し,異常領域と正常領域の表現学習を改善するために,クラスタリング損失ブロックを提案する。 提案手法の大規模解析は,3つの一般的な異常検出データセットを用いて行われる。
  論文  参考訳（メタデータ） (2022-03-25T15:18:19Z)
• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
  本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。 既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。 UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-11-16T17:28:46Z)
• Cleaning Label Noise with Clusters for Minimally Supervised Anomaly Detection [26.062659852373653]
  ビデオレベルラベルのみを用いてトレーニングした弱い教師付き異常検出法を定式化する。 提案手法は UCF-crime と ShanghaiTech のデータセットでそれぞれ78.27% と84.16% のフレームレベル AUC が得られる。
  論文  参考訳（メタデータ） (2021-04-30T06:03:24Z)
• MIST: Multiple Instance Self-Training Framework for Video Anomaly Detection [76.80153360498797]
  タスク固有の識別表現を効率的に洗練するためのマルチインスタンス自己学習フレームワーク(MIST)を開発した。 mistは1)スパース連続サンプリング戦略を適用し,より信頼性の高いクリップレベル擬似ラベルを生成するマルチインスタンス擬似ラベル生成器,2)自己誘導型注意強調特徴エンコーダで構成される。 本手法は,上海技術におけるフレームレベルのAUC 94.83%の取得において,既存の教師付きおよび弱教師付き手法と同等あるいはそれ以上に機能する。
  論文  参考訳（メタデータ） (2021-04-04T15:47:14Z)
• 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)
• A Self-Reasoning Framework for Anomaly Detection Using Video-Level Labels [17.615297975503648]
  監視ビデオにおける異常事象の検出は、画像およびビデオ処理コミュニティの間で困難かつ実践的な研究課題である。 本稿では、ビデオレベルラベルのみを用いて自己推論方式で訓練されたディープニューラルネットワークに基づく、弱い教師付き異常検出フレームワークを提案する。 提案するフレームワークは,UCF-crimeやShanghaiTech,Ped2など,公開されている実世界の異常検出データセット上で評価されている。
  論文  参考訳（メタデータ） (2020-08-27T02:14:15Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。