
摘要
视频异常检测通常被视为一类分类(One-Class Classification, OCC)问题,原因在于异常样本的获取极为有限。传统方法通常采用自编码器(Autoencoder, AE)进行训练,仅使用正常数据作为训练集,目标是使自编码器能够准确重建正常输入。在测试阶段,理想情况下,自编码器应能良好重建正常数据,而对异常数据的重建效果则较差。然而,多项研究表明,即使仅使用正常数据进行训练,自编码器仍可能在一定程度上成功重建异常样本,从而削弱异常检测的性能。为缓解这一问题,本文提出一种新颖的训练方法,旨在使自编码器仅对正常数据具备重建能力,无论输入是正常还是异常数据。由于在OCC设置下无法获取真实异常样本,我们引入伪异常(pseudo anomalies)作为辅助训练信号。这些伪异常通过操控正常数据生成,以模拟偏离正常数据分布的异常情况。此外,本文进一步提出两种生成伪异常的方法:基于图像块(patch-based)和基于跳帧(skip frame-based)的方法。在三个具有挑战性的视频异常检测数据集上进行的大量实验表明,所提出的方法显著提升了传统自编码器的性能,实现了当前最优的检测效果。