安防作为近年最热门的计算机视觉研究落地方向,与视频分析研究有着很紧密的关系。在真实的监控视频中,一个常见的需求就是要自动识别视频流中的异常事件,也就是异常事件检测任务(Anomaly detection)。
这个任务有许多的难点,比如
- 异常事件发生的频率很低,导致数据的收集和标注比较困难;
- 异常事件的稀少导致训练中的正样本远少于负样本;
- 在监控场景中,不管是通常(normaly)还是异常(anomaly)事件都是很多样且复杂的,即类别内的多样性很高,variance很严重。
最近UCF的CV研究中心就在CVPR18上发表了一篇关于监控视频异常事件检测的论文(Real-world Anomaly Detection in Surveillance Videos, arxiv 1801.04264),提出了一种基于深度多实例排序的弱监督算法框架,同时提出了一个新的大规模异常事件检测数据集。这篇笔记主要对这篇文章进行介绍,也算是帮助自己理解,若有错误烦请指正。
本文提出的异常检测算法
很多先前的方法都先学习一个通常的模式,并假定任何违背这个通常模式的 模式应该是异常的。但事实上,一个方法很难也几乎不可能去定义一个所谓的通常模式,因为通常模式里面可能包含太多不同的事件和行为了。同样,也很难去定义异常事件,因为异常事件同样也可能包含太多类型的情况了。所以,这篇文章主要提出了两点motivations。
- 异常事件检测任务应该要在弱监督框架下进行学习。此处弱监督指在训练时,只知道一段视频中有或没有异常事件,而异常事件的种类以及具体的发生时间是未知的。
- 异常事件检测任务应该采取两阶段的框架&#x