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