S3R:Self-Supervised Sparse Representation for Video Anomaly Detection 【ECCV 2022】

论文笔记        

        【摘要】视频异常检测(VAD)旨在定位视频序列中的意外动作或活动。现有的主流VAD技术要么基于单类方法(假设所有训练数据都是正常的),要么基于弱监督(仅需要视频级正常/异常标签)。为了建立解决两个VAD设置的统一方法,我们引入了自监督稀疏表示(S3R)框架,该框架通过探索基于字典的表示和自监督学习之间的协同作用,在特征级别对异常概念进行建模。通过学习字典,S3R有助于两个耦合的模块(en-Normal和de-Normal)重建片段级特征并过滤掉正常事件特征自监督技术还能够生成伪正常/异常样本,以训练异常检测器。我们通过大量实验证明,对于单类和弱监督的VAD任务,S3R在流行的基准数据集上实现了最新的性能。

1.引言

        根据关于训练视频序列的注释或假设,最近处理VAD任务的努力可以分为无监督和弱监督技术。无监督的VAD场景,我们而被称为单类VAD。识别正常和异常模式的广泛采用的方法是嵌入空间学习或数据重构。

        弱监督的VAD假设视频级正常/异常

你可能感兴趣的:(论文笔记,人工智能,python)