論文の概要: BatchNorm-based Weakly Supervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2311.15367v1
• Date: Sun, 26 Nov 2023 17:47:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 18:09:50.629997
• Title: BatchNorm-based Weakly Supervised Video Anomaly Detection
• Title（参考訳）: BatchNormによる弱補正ビデオ異常検出
• Authors: Yixuan Zhou, Yi Qu, Xing Xu, Fumin Shen, Jingkuan Song, Hengtao Shen
• Abstract要約: 弱教師付きビデオ異常検出では、異常事象の時間的特徴は、しばしば異常な特性を示す。 本稿では,BatchNormをWVADに組み込んだBN-WVADを提案する。 提案したBN-WVADモデルでは、UCF-CrimeのAUCは87.24%、XD-Violenceは84.93%に達する。
• 参考スコア（独自算出の注目度）: 117.11382325721016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In weakly supervised video anomaly detection (WVAD), where only video-level labels indicating the presence or absence of abnormal events are available, the primary challenge arises from the inherent ambiguity in temporal annotations of abnormal occurrences. Inspired by the statistical insight that temporal features of abnormal events often exhibit outlier characteristics, we propose a novel method, BN-WVAD, which incorporates BatchNorm into WVAD. In the proposed BN-WVAD, we leverage the Divergence of Feature from Mean vector (DFM) of BatchNorm as a reliable abnormality criterion to discern potential abnormal snippets in abnormal videos. The proposed DFM criterion is also discriminative for anomaly recognition and more resilient to label noise, serving as the additional anomaly score to amend the prediction of the anomaly classifier that is susceptible to noisy labels. Moreover, a batch-level selection strategy is devised to filter more abnormal snippets in videos where more abnormal events occur. The proposed BN-WVAD model demonstrates state-of-the-art performance on UCF-Crime with an AUC of 87.24%, and XD-Violence, where AP reaches up to 84.93%. Our code implementation is accessible at https://github.com/cool-xuan/BN-WVAD.
• Abstract（参考訳）: 異常発生の有無を示すビデオレベルラベルのみが使用可能な弱教師付きビデオ異常検出(wvad)では,異常発生の時間的アノテーションにおける内在的曖昧さが主な課題となっている。 異常事象の時間的特徴がしばしば異常な特徴を示すという統計的知見に着想を得て,BatchNormをWVADに組み込んだBN-WVADを提案する。 提案したBN-WVADでは,BatchNormの平均ベクトル(DFM)から特徴の偏差を信頼性のある異常基準として活用し,異常ビデオ中の潜在的な異常断片を識別する。 提案したDFM基準は、異常認識にも適しており、ラベルノイズに対する耐性も高く、ノイズラベルに影響を受けやすい異常分類器の予測を補正するための追加の異常スコアとして機能する。 さらに、より異常なイベントが発生するビデオ中の異常なスニペットをフィルタリングするために、バッチレベルの選択戦略が考案されている。 提案したBN-WVADモデルでは、UCF-CrimeのAUCは87.24%、XD-Violenceは84.93%に達する。 私たちのコード実装はhttps://github.com/cool-xuan/bn-wvadからアクセスできます。

関連論文リスト

• GlanceVAD: Exploring Glance Supervision for Label-efficient Video Anomaly Detection [36.73022075416943]
  本稿では,異常検出精度とアノテーションコストのバランスを改善するために,"glance annotations"と呼ばれる新しいラベリングパラダイムを提案する。 本手法の有効性を評価するため,UCF-Crime と XD-Violence の2つの標準ビデオ異常検出データセットに対して,視線アノテーションを手動でアノテートする。 また,Ssianカーネルを基本単位として時間的異常分布を構成するGlanceVAD法を提案する。
  論文  参考訳（メタデータ） (2024-03-10T09:57:10Z)
• 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)
• A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection [4.494911384096143]
  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。
  論文  参考訳（メタデータ） (2023-10-26T17:59:19Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• 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)
• 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)
• 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)
• 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。