Few-Shot Scene-Adaptive Anomaly Detection 少镜头场景的自适应异常检测

摘要

我们解决了视频中的异常检测问题。目标是通过专门从正常视频中学习来自动识别异常行为。大多数现有方法通常需要大量数据，并且泛化能力有限。他们通常需要在目标场景的大量视频上进行训练，才能在该场景中取得良好的效果。在本文中，我们提出了一个新的少镜头场景自适应异常检测问题，以解决以往方法的局限性。我们的目标是学会在以前看不见的只有几帧的场景中检测异常。这个新问题的可靠解决方案在现实世界的应用中将有巨大的潜力，因为为每个目标场景收集大量数据是昂贵的。我们提出了一种基于元学习的方法来解决这个新问题；大量实验结果证明了该方法的有效性。所有代码发布在 https://github.com/yiweilu3/Few-shot-Scene-adaptive-Anomaly-Detection  （这个代码仅仅是一个demo不是这篇文章的完整实现，作者说会更新，21年多了还没动静）

 

贡献：

1. 我们引入了一个新的问题，称为少镜头场景自适应异常检测，它更接近于异常检测系统的真实部署。 问题没问题，感觉很不错。
2. 我们提出了一种新的基于元学习的方法来解决这个问题。我们证明了我们提出的方法在几个基准数据集上显著优于替代方法。怪异

过程：

 

论文参考18年的一篇基于预测帧的文章改进了一个新的backbone，通过实验证明了该backbone自身能在常用数据集上达到对比方法中的最好效果。

后使用该backbone加入元学习框架，首先在上海科技大学数据集上使用6个场景做元训练，7个场景做元测试，在设定的仅用预训练模型、预训练模型微调两个baseline上对比实验表明，在同一个数据集域上时也能到达当前对比实验最好效果（*）。

后续使用上海科技大学数据集和UCF大型监控视频数据集作为预训练数据集，使用其他数据集做元测试，得出结果，他设计的方法能取得当前最好效果。

训练逻辑没看代码说实话没完全理解，emmmmm希望是个好坑。