جعل الانحرافات أكثر انحرافًا: الكشف عن الانحرافات في الفيديو باستخدام مولّد ومحطم جديد

نُقدِّم نهجًا جديدًا للكشف عن الشذوذ في الفيديو. تعتمد الطرق الحالية للكشف عن الشذوذ في الفيديو على التدريب فقط على الإطارات الطبيعية، بافتراض أن جودة الإطارات الشاذة ستنخفض، وتستخدم خطأ إعادة البناء مقارنةً بالقيمة الحقيقية للكشف عن الشذوذ. ومع ذلك، تواجه هذه الطرق تحديًا ناتجًا عن القدرة القوية على التعميم للشبكات العصبية العميقة، حيث تميل إلى إنتاج إطارات شاذة بمهارة عالية. لمعالجة هذه المشكلة، نُقدِّم طريقة جديدة تجعل الشذوذ أكثر شذوذًا من خلال تدمير المناطق الشاذة في الإطارات الشاذة. وبناءً على ذلك، نقترح مُولِّد الإطار إلى التسمية والحركة (F2LM) و"المُدمِّر". يُقدِّر مُولِّد F2LM إطارًا مستقبليًا باستخدام معلومات التسمية والحركة من الإطارات المدخلة، مما يؤدي إلى تقليل جودة المناطق الشاذة. أما "المُدمِّر"، فيُدمِّر المناطق الشاذة من خلال تحويل المناطق ذات الجودة المنخفضة إلى متجهات صفرية. تم تدريب النموذجين بشكل منفصل، وفي مرحلة الاختبار، يعمل مُولِّد F2LM على تقليل جودة المناطق الشاذة، يليه تدمير هذه المناطق بواسطة المُدمِّر. أظهرت الطريقة المقترحة أداءً متفوقًا مقارنةً بالطرق الرائدة في المجال على ثلاث مجموعات بيانات معيارية (UCSD Ped2، CUHK Avenue، Shanghai Tech.). يمكن الوصول إلى الكود والنماذج المقترحة عبر الإنترنت من خلال الرابط: https://github.com/SkiddieAhn/Paper-Making-Anomalies-More-Anomalous.