视频异常检测——Robust Anomaly Detection in Videos Using Multilevel Representations

最新推荐文章于 2024-04-07 15:30:15 发布

shaoyue1234

最新推荐文章于 2024-04-07 15:30:15 发布

阅读量1.2k

点赞数 1

分类专栏：视频异常检测

本文链接：https://blog.csdn.net/shaoyue1234/article/details/105165102

版权

5 篇文章 3 订阅

订阅专栏

文章

Robust Anomaly Detection in Videos Using Multilevel Representations,AAAI,2019

底层次的特征存在问题
在这里插入图片描述

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
在这里插入图片描述

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

在这里插入图片描述
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

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

在这里插入图片描述

模型复杂，冗余
使用的网络比较简单
比较的算法不够新

如何提取更好的信息？
信息的融合？

关注