Realistische Anomalieerkennung in Überwachungsvideos

Überwachungsvideos sind in der Lage, eine Vielzahl von realistischen Anomalien aufzunehmen. In dieser Arbeit schlagen wir vor, Anomalien durch die Nutzung sowohl normaler als auch anomaler Videos zu lernen. Um die zeitaufwendige Annotation anomaler Segmente oder Clips in den Trainingsvideos zu vermeiden, schlagen wir vor, Anomalien durch ein tiefes Mehrfach-Instanz-Ranking-Framework unter Verwendung schwach beschrifteter Trainingsvideos zu lernen, d.h., die Trainingslabels (anomal oder normal) werden auf Videoebene und nicht auf Clip-Ebene vergeben. In unserem Ansatz betrachten wir normale und anomale Videos als Säcke und Videosegmente als Instanzen im Rahmen des Mehrfach-Instanz-Learnings (MIL) und lernen automatisch ein tiefes Anomalieranking-Modell, das hohe Anomaliestufen für anomale Videosegmente vorhersagt. Darüber hinaus führen wir Sparsitäts- und zeitliche Glättungsbedingungen in die Ranking-Funktionsverlustfunktion ein, um während des Trainings die Lokalisierung von Anomalien zu verbessern. Wir stellen außerdem einen neuen groß angelegten Datensatz von 128 Stunden Videos vor. Er besteht aus 1900 langen und ungeschnittenen realen Überwachungsvideos mit 13 realistischen Anomalien wie Kämpfen, Verkehrsunfällen, Einbrüchen, Raubereien usw., sowie normalen Aktivitäten. Dieser Datensatz kann für zwei Aufgaben genutzt werden: Erstens zur allgemeinen Anomaliedetektion unter Berücksichtigung aller Anomalien in einer Gruppe und aller normalen Aktivitäten in einer anderen Gruppe. Zweitens zur Erkennung jeder der 13 anomalen Aktivitäten einzeln. Unsere experimentellen Ergebnisse zeigen, dass unser MIL-Ansatz für die Anomaliedetektion eine erhebliche Verbesserung der Detektionsleistung gegenüber den aktuellen Methoden erreicht. Wir präsentieren auch die Ergebnisse mehrerer neuer tiefer Lern-Baselines für die Erkennung anomaler Aktivitäten. Die geringe Erkennungsleistung dieser Baselines zeigt, dass unser Datensatz sehr herausfordernd ist und weitere Möglichkeiten für zukünftige Forschungen eröffnet. Der Datensatz ist unter folgender URL verfügbar: https://webpages.uncc.edu/cchen62/dataset.html