文章
Robust Anomaly Detection in Videos Using Multilevel Representations,AAAI,2019
资源
问题描述
底层次的特征存在问题
思想
用高层次的特征和低层次的特征结合,提高鲁棒性,解决低层次特征的问题
贡献
- 提出了MLAD(multi-level anomaly detection)
- 利用DAEs(Denoising Autoencoders)提取多层次特征
- 利用cGAN看重构误差,获得异常分数
- 多层次异常结合,判断总的异常情况
做法
两个阶段:
- 训练:
- 低层次的帧提取motion信息
- 然后在帧上利用算法直接提取(较低层次)Frame信息,Motion信息
- 在Motion上训练DAE,获得不同层次(较高层次)的Frame信息和Motion信息
- 然后训练不同层次的Frame和Motion信息的cGAN
- 检测:
- 低层次的帧提取motion信息
- 然后在帧上利用算法直接提取(较低层次)Frame信息,Motion信息
- 在Motion上训练DAE,获得不同层次(较高层次)的Frame信息和Motion信息
- 然后用不同层次的cGAN将F和O进行转换,看重构误差,超过threshold的判断为1,然后找最大联通域,合并不同层次的联通域
实验
在UCSD Ped 1,USCD Ped 2 和Avenue 上进行实验
还进行了有效性实验,对比不用信息融合的结果
存在的问题
模型复杂,冗余
使用的网络比较简单
比较的算法不够新
思考
如何提取更好的信息?
信息的融合?