Learning Memory-guided Normality for Anomaly Detection论文解析

近日拜读了本篇论文，有以下理解：

1.问题研究背景

       检测视频序列中的异常事件（如人行道上的车辆）的问题对监控和故障检测系统尤为重要。由于一些原因，它是极具挑战性的。首先，异常事件是根据不同的情况而确定的。也就是说，同样的活动可能是正常的，也可能是不正常的（例如，在厨房或在公园里拿刀)。在这种情况下，手动注释异常事件是劳动密集型的。其次，收集异常数据集需要大量的努力，因为异常事件在现实生活中很少发生。因此，异常检测通常被认为是一个无监督的学习问题，目的在于学习一个描述常态的模型，没有异常的样本。在测试时，不被模型描述的事件和活动就被认为是异常的。

2.创新点

1、由于单一原型特征不足以表示正常数据的各种模型，所以本文使用多个原型来代表正常视频帧的不同模型，同时引入memory模块，以此记录正常数据的原型特征。

2、提出特征紧凑性和分离性损失来训练记忆，并提出一种新记忆更新方案，且仅在正常样本情况下进行更新。

3、提供了广泛的实验分析与消融研究