Lernen von normalen Merkmalen unter Anleitung des Gedächtnisses für die Anomalieerkennung

Wir behandeln das Problem der Anomalieerkennung, das heißt, die Erkennung anomaler Ereignisse in einer Videosequenz. Methoden zur Anomalieerkennung, die auf Faltungsneuronalen Netzen (CNNs) basieren, nutzen in der Regel Proxy-Aufgaben, wie zum Beispiel die Rekonstruktion von Eingabevideobildern, um Modelle zu erlernen, die Normalität beschreiben, ohne während des Trainings anomale Beispiele zu sehen. Die Abweichungen werden während des Testens durch den Rekonstruktionsfehler quantifiziert. Die Hauptnachteile dieser Ansätze sind, dass sie die Vielfalt normaler Muster nicht explizit berücksichtigen und dass die starke Darstellungskapazität von CNNs es ermöglicht, auch abnorme Videobilder zu rekonstruieren. Um dieses Problem anzugehen, präsentieren wir einen unüberwachten Lernalgorithmus zur Anomalieerkennung, der die Vielfalt normaler Muster explizit berücksichtigt und gleichzeitig die Darstellungskapazität von CNNs reduziert. Dazu schlagen wir vor, ein Speichermodul mit einem neuen Aktualisierungsschema zu verwenden, bei dem Elemente im Speicher prototypische Muster normaler Daten aufzeichnen. Wir stellen außerdem neuartige Verlustfunktionen für Merkmalskompaktheit und -trennung vor, um das Speichermodul zu trainieren und so die diskriminierende Leistungsfähigkeit sowohl der Speicherelemente als auch der tiefen gelernten Merkmale aus normalen Daten zu steigern. Experimentelle Ergebnisse auf Standard-Benchmarks zeigen die Effektivität und Effizienz unseres Ansatzes, der den aktuellen Stand der Technik übertrifft.