Abnormale Ereigniserkennung in Videos mit generativen adversären Netzen

In dieser Arbeit befassen wir uns mit dem Problem der Abnormitätserkennung in dicht besuchten Szenen. Wir schlagen vor, Generative Adversarial Nets (GANs) zu verwenden, die mit normalen Bildern und den entsprechenden optischen Flussbildern trainiert werden, um eine interne Darstellung der Normalität der Szene zu erlernen. Da unsere GANs ausschließlich mit normalen Daten trainiert werden, sind sie nicht in der Lage, abnorme Ereignisse zu generieren. Während des Testens werden die realen Daten sowohl mit den von unseren GANs rekonstruierten Erscheinungs- als auch Bewegungsdarstellungen verglichen, und abnorme Bereiche werden durch das Berechnen lokaler Differenzen erkannt. Experimentelle Ergebnisse auf anspruchsvollen Datensätzen zur Abnormitätserkennung zeigen die Überlegenheit der vorgeschlagenen Methode im Vergleich zum Stand der Technik sowohl bei der Erkennung von Abnormalitäten auf Bild- als auch auf Pixelbasis.