Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection
单位: 上海交通大学、商汤、上海AI Lab
论文地址:https://arxiv.org/abs/2112.03649
基于像素的方法可以直接利用显式运动特征比如光流,但基于姿态的方法缺乏运动表示。本文提出了一种新的Motion Embedder (ME),从概率角度提供姿态的运动表示。此外,还采用了一种新的特定任务的Spatial-Temporal Transformer(STT)来进行自监督的姿态序列重构。然后将这两个模块集成到一个统一的姿态规则学习框架中,称为Motion Prior Regularity Learner (MoPRL)
解决的问题
有效的运动表示是视频异常检测中学习正常模式的关键。在之前的基于姿态的方法中,研究人员通常利用单人关节编码视觉特征,缺乏直观的运动表示。在这种情况下模型无法同时学习运动和正常模式,从而影响其性能。