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

文章

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

资源

github
video

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？