异常行为检测阅读笔记：Future Frame Prediction for Anomaly Detection – A New Baseline

最新推荐文章于 2023-05-28 11:32:54 发布

Blssel

最新推荐文章于 2023-05-28 11:32:54 发布

阅读量7.1k

点赞数 10

分类专栏：神经网络深度学习异常检测异常行为检测

本文链接：https://blog.csdn.net/u013006675/article/details/88706704

版权

本文介绍了基于未来帧预测的异常检测方法，通过深度学习的生成器和判别器预测下一帧，避免过完备的AutoEncoder导致的恒等映射问题。在多个数据集上进行实验，对比了不同损失函数和现有方法的效果，显示了预测方法的有效性。

摘要由CSDN通过智能技术生成

前言

之前写的博客，一直没放出来，今天亮出来晒晒太阳。
深度学习时代的无监督异常行为检测，套路都非常单一，都是用生成式网络（包括自编码器，GAN等）来重构或简单地预测帧，然后通过比较重构误差和阈值来达到判断异常与否的目的。这一篇就是一个典型，不过工作做得蛮充足，效果也不错，值得学习。
本文出自上科大（上海科技大学）高盛华老师团队。code已放，写的很不错：https://github.com/stevenLiuWen/ano_pred_cvpr2018

Motivation

文章总有motivation，如果motivation不清晰，那么本文多半是个水文（狗头，狗头）。本文的Motivation很清晰，就是对于常见的AutoEncoder做异常行为检测，有个严重的潜在问题，就是AutoEncoder往往过完备(overcomplete)，容易引起恒等映射，试想，在测试时候，正常样本本成功重构了，异常样本靠着恒等映射，也被成功“重构”（其实是成功复制）了，那还如何能把它们区分开呢？如果做一个很简单的改动，就是将重构当前帧改为预测后一帧或后几帧，是不是就能避免恒等映射的风险？这就是本文的出发点。那既然选择了预测，那GAN自然成了首选，作者为了保证GAN的生成质量，在优化函数上又下了一些功夫，下面来具体看看吧。