HyperAIHyperAI
منذ 2 أشهر

VideoPatchCore: طريقة فعالة لحفظ الطبيعة للكشف عن الشذوذ في الفيديو

Sunghyun Ahn; Youngwan Jo; Kijung Lee; Sanghyun Park
VideoPatchCore: طريقة فعالة لحفظ الطبيعة للكشف عن الشذوذ في الفيديو
الملخص

اكتشاف الشذوذ في الفيديو (VAD) هو مهمة حاسمة في تحليل الفيديو والمراقبة ضمن رؤية الحاسوب. حاليًا، يحظى VAD باهتمام متزايد بفضل تقنيات الذاكرة التي تخزن خصائص الإطارات الطبيعية. يتم استخدام الخصائص المخزنة لإعادة بناء الإطار، حيث يتم تحديد الشذوذ عند وجود اختلاف كبير بين الإطار المعاد بناؤه والإطار المدخل. ومع ذلك، تواجه هذه الطريقة عدة تحديات بسبب التحسين المتزامن المطلوب لكل من الذاكرة ونموذج المُشفِّر-المُفكِّك (encoder-decoder). من بين هذه التحديات زيادة صعوبة التحسين، تعقيد التنفيذ، وتباين الأداء اعتمادًا على حجم الذاكرة. لمعالجة هذه التحديات، نقترح طريقة ذاكرة فعالة لـ VAD تُسمى VideoPatchCore. مستوحاة من PatchCore، تقدم طريقتنا هيكلًا يركز على تحسين الذاكرة ويقوم بتكوين ثلاثة أنواع من الذواكر مخصصة لخصائص بيانات الفيديو. هذا الأسلوب يعالج بشكل فعال قيود الطرق القائمة على الذاكرة الحالية، ويحقق أداءً جيدًا مماثلًا لأحدث الأساليب. بالإضافة إلى ذلك، لا تتطلب طريقتنا أي تدريب وهي سهلة التنفيذ، مما يجعل مهام اكتشاف الشذوذ في الفيديو أكثر إمكانية الوصول إليها. شفرة البرمجيات الخاصة بنا متاحة عبر الإنترنت على github.com/SkiddieAhn/Paper-VideoPatchCore.