إطار خلفية مستقل مع تدريب معاكس لاكتشاف الأحداث غير الطبيعية في الفيديو

اكتشاف الأحداث غير الطبيعية في الفيديو هو مشكلة معقدة في رؤية الحاسوب قد جذبت اهتمامًا كبيرًا في السنوات الأخيرة. تعقيد المهمة ينبع من التعريف الشائع للأحداث غير الطبيعية، وهو حدث نادر الحدوث يعتمد عادةً على السياق المحيط. وفقًا للصيغة القياسية للاكتشاف غير الطبيعي كاكتشاف الغريباء (outlier detection)، نقترح إطار عمل مستقل عن الخلفية يتعلم من مقاطع الفيديو التدريبية التي تحتوي فقط على أحداث طبيعية. يتكون إطارنا العمل من كاشف أشياء، ومجموعة من ترميزات الظهور والحركة، ومجموعة من المصنفات. بما أن إطارنا العمل يركز فقط على الكشف عن الأشياء، فإنه يمكن تطبيقه على مشاهد مختلفة، بشرط أن تكون الأحداث الطبيعية محددة بنفس الطريقة عبر جميع المشاهد وأن يكون العامل الرئيسي الوحيد للتغير هو الخلفية.للتغلب على نقص البيانات غير الطبيعية أثناء التدريب، نقترح استراتيجية تعلم معادية (adversarial learning) لترميزات الظهور والحركة. ننشئ مجموعة مستقلة عن المشهد من أمثلة زائفة غير طبيعية خارج المجال (out-of-domain pseudo-abnormal examples)، والتي يتم إعادة بناؤها بشكل صحيح بواسطة الترميزات قبل تطبيق الصعود التدرجي (gradient ascent) على هذه الأمثلة الزائفة. بالإضافة إلى ذلك، نستخدم الأمثلة الزائفة غير الطبيعية كأمثلة غير طبيعية عند تدريب المصنفات الثنائية القائمة على الظهور والحركة لتمييز بين الخصائص والمراصد الضمنية الطبيعية وغير الطبيعية.نقارن إطارنا العمل مع أفضل الأساليب الحالية في مجال الاكتشاف غير الطبيعي باستخدام أربع مجموعات بيانات مرجعية ومعايير تقييم مختلفة. تشير النتائج التجريبية إلى أن أسلوبنا يحقق أداءً مفضلًا في جميع مجموعات البيانات بالمقارنة مع الأساليب الموجودة. بالإضافة إلى ذلك، نقدم شروحات قائمة على المناطق والمسارات لمجموعتين كبيرتين من بيانات الاكتشاف غير الطبيعي من الأدب العلمي، وهما ShanghaiTech وSubway (شانغهايتك ومترو).