视频异常检测是一项通过分析视频内容自动识别异常行为或事件的技术。它在安防监控、智能交通、工业监控等多个领域有着广泛的应用,旨在提高系统对异常情况的检测和响应效率。
在这项研究中,使用了时间卷积网络(TCN)和图卷积网络(GCN)作为骨架数据的处理模块,以此来分析视频中的人体骨架动作。然而,传统的浅层TCN和GCN模块由于感受野较小且无法有效捕捉跨维度的交互信息,存在一定的局限性。
为了解决这些问题,研究提出了一种双重注意模块 (DAM),它通过帧注意机制和骨架注意机制来捕捉时空数据中的重要帧和广泛的骨架关系。在模型的后处理阶段,提出了双重注意归一化流 (DA-Flow),它在保留模型轻量化的同时,增强了对异常情况的检测能力。
这项研究的意义在于,它提出了一个具有高效计算性能的轻量级模型,能够在噪声环境下进行异常检测,并在多项实验中取得了与现有技术相当甚至更好的性能表现。它为视频异常检测领域提供了一种鲁棒性强、参数少的解决方案。
论文作者:Ruituo Wu,Yang Chen,Jian Xiao,Bing Li,Jicong Fan,Frédéric Dufaux,Ce Zhu,Yipeng Liu
作者单位:University of Electronic Science and Technology of China (UESTC); Nanjing Normal University; Chinese University of Hong Kong; Universite Paris-Saclay
论文链接:http://arxiv.org/abs/2406.02976v1
内容简介:
1)方向:视频异常检测
2)应用:视频异常检测
3)背景:合作使用时间卷积网络(TCN)和图卷积网络(GCN)作为处理模块在骨架数据的视频异常检测中显示出有希望的结果。然而,为了保持轻量级模型并降低计算和存储复杂性,浅层GCN和TCN模块受限于小的感受野和缺乏跨维度交互捕获。
4)方法:本文提出一种轻量级模块——双重注意模块 (DAM),用于捕捉时空骨架数据中的跨维度交互关系。DAM采用帧注意机制识别最重要的帧,并使用骨架注意机制在固定分区内捕捉更广泛的关系,同时保持最小的参数和计算量。此外,提出的双重注意归一化流 (DA-Flow) 在归一化流框架中,将DAM作为GCN之后的后处理单元。
5)结果:模拟表明,所提出的模型对噪声和负样本具有鲁棒性。实验结果显示,DA-Flow在微观AUC指标方面达到了与现有最先进方法相竞争或更好的性能,并且参数数量最少。此外,即使没有训练,仅使用骨架数据上的随机投影而不进行降维,也能实现显著的异常检测能力。