微小物体+异常检测——初步调研

什么是微小物体

当目标距离成像系统较远时,目标的像只占场景图像中单个或几个像素,这类微小尺寸目标的形态特征就近似与一个点目标。

微小物体检测的难点

1、小目标的尺度过小,基于手工特征提取的算法大多利用目标周围的邻域信息表达目标
2、小目标本身的特征不够明显,容易受图像噪声的干扰而最终导致无检测和漏检测。

现有方法

1、使用高分辨率摄像头较少成像过程中的干扰和噪声
2、提取识别算法方面,有两大假设:

  • 2.1目标与背景存在相对运动:光流法、滤波器法
  • 2.2背景的可预测性:相关预测法

与异常检测的结合

道路车辆异常检测

论文

Anomaly Candidate Identification and Starting Time Estimation of Vehicles from Traffic Videos

核心思想

道路交通异常事件检测面临着缺乏训练数据和异常情况较多的挑战。文中提出了一个基于异常候选识别和车辆启动时间估算的两阶段异常事件检测框架。

与小目标识别相关

视野中小的交通工具的识别
微小物体+异常检测——初步调研_第1张图片

DeepScores数据集

论文

DeepScores – A Dataset for Segmentation,Detection and Classification of Tiny Objects

核心思想

提出了一种名为DeepScores的小物体数据集,包含高质量的音乐图片,有不同形状和大小的符号。

与小目标识别相关

是小目标数据集,而且前10%的类含有整个数据集中85%的标志,可以用来模拟异常检测中的真实世界数据流。
微小物体+异常检测——初步调研_第2张图片

检测视频流中的异常

论文

Detection of Unknown Anomalies in Streaming Videos with Generative Energy-based Boltzmann Models

核心思想

为了分析视频监控中的异常事件,文中提出了一个基于能量模型的统一框架。这个模型首先在未标注的数据上进行训练,然后根据重建误差来确定异常位置。

与小目标识别相关

在检测阶段会丢掉小的异常。
微小物体+异常检测——初步调研_第3张图片

参考

【1】一种基于深度学习的新型小目标检测方法
【2】基于傅立叶光学的微小目标检测仪及检测方法
【3】拯救小目标检测!Tiny Person数据集和SM尺度匹配小目标检测新方法
【4】ClusterNet: Detecting Small Objects in Large Scenes by Exploiting Spatio-Temporal Information
【5】Anomaly Candidate Identification and Starting Time Estimation of Vehicles
from Traffic Videos
【6】DeepScores – A Dataset for Segmentation,
Detection and Classification of Tiny Objects
【7】Detection of Unknown Anomalies in Streaming
Videos with Generative Energy-based Boltzmann
Models
【8】A cluster-based approach for detecting man-made objects and changes in imagery

你可能感兴趣的:(异常检测)