Обнаружение аномалий в видеозаписях с камер наблюдения в реальных условиях
Real-World Anomaly Detection in Surveillance Videos
2018-06-01
SCID: 54.1/3ypvrhxb
Discuss with AI
обучение с множественными экземплярамиобнаружение аномалий в реальных условияхвидео с камер наблюденияограничения временной гладкостислабо размеченные видео
Figures from the paper
Abstract (AI)
Видеозаписи с камер наблюдения позволяют фиксировать разнообразные аномалии, характерные для реальных условий. В данной работе предлагается обучать модель обнаружению аномалий с использованием как нормальных, так и аномальных видеозаписей. Чтобы избежать разметки аномальных сегментов или клипов в обучающих видеозаписях, требующей значительных временных затрат, предлагается обучать модель обнаружению аномалий в рамках глубокой модели ранжирования с множественными экземплярами, используя обучающие видеозаписи со слабыми метками; то есть метки обучения (аномальная или нормальная) задаются на уровне видеозаписи, а не клипа. В предлагаемом подходе нормальные и аномальные видеозаписи рассматриваются как мешки, а сегменты видео — как экземпляры в обучении с множественными экземплярами (MIL); при этом автоматически обучается глубокая модель ранжирования аномалий, прогнозирующая высокие оценки аномальности для аномальных сегментов видео. Кроме того, в функцию потерь ранжирования вводятся ограничения разреженности и временной гладкости, что позволяет более точно локализовать аномалии в процессе обучения. Мы также представляем новый крупномасштабный набор данных, первый в своем роде, содержащий 128 часов видеозаписей. Он включает 1 900 длинных неразмеченных по фрагментам видеозаписей с камер наблюдения, снятых в реальных условиях, в которых представлены 13 реалистичных типов аномалий, таких как драки, дорожно-транспортные происшествия, кражи со взломом и грабежи, а также нормальные действия. Этот набор данных может использоваться для решения двух задач. Первая — общее обнаружение аномалий, при котором все аномалии рассматриваются как одна группа, а все нормальные действия — как другая. Вторая — распознавание каждого из 13 аномальных действий. Экспериментальные результаты показывают, что предложенный метод MIL для обнаружения аномалий обеспечивает значительное повышение эффективности по сравнению с современными методами. Мы приводим результаты нескольких недавно предложенных базовых методов глубокого обучения для распознавания аномальных действий. Низкая точность распознавания этих базовых методов свидетельствует о высокой сложности нашего набора данных и открывает дополнительные возможности для дальнейших исследований. Набор данных доступен по адресу: http://crcv.ucf.edu/projects/real-world.
Key Findings
1
Предложен глубокий метод ранжирования на основе обучения с множественными экземплярами, который оценивает аномалии по слабым меткам видео и не требует разметки аномальных фрагментов.
2
Нормальные и аномальные видео представлены как наборы, а сегменты видео — как экземпляры; ограничения разреженности и временной гладкости улучшают локализацию аномалий.
3
Представлен датасет объёмом 128 часов, включающий 1900 длинных неразмеченных по фрагментам видео наблюдения с 13 реалистичными типами аномалий и нормальными действиями.
4
Датасет поддерживает как общее обнаружение аномалий, так и распознавание отдельных типов аномальной активности.
5
Предложенный MIL-метод значительно превосходит современные методы обнаружения аномалий, тогда как базовые модели плохо распознают типы активности, что подтверждает сложность датасета.
Research Object
видеозаписи реального видеонаблюдения, содержащие нормальные действия и 13 типов реалистичных аномалий
Research Subject
слабоконтролируемое обнаружение и локализация временных аномалий, включая ранжирование аномальности сегментов видео и распознавание аномальных действий
Publication Details
Publication Date
2018-06-01
Journal
Publisher
ISSN
Cited by
3006
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью4
Глубокое обучение для обнаружения аномалий2021
Дорожная карта будущего исследований и практики в области безопасности массовых мероприятий: представление модели безопасности массовых мероприятий «швейцарский сыр» и необходимость достижения цели «Нулевой травматизм»2023
PublicVision: защищённая интеллектуальная система видеонаблюдения для распознавания поведения толпы2024
Анализ методов искусственного интеллекта для обнаружения аномалий в видео с камер наблюдения: всесторонний обзор2023