Beliebige-Shot-Sequentielle Anomalieerkennung in Überwachungsvideos

Die Anomalieerkennung in Überwachungsvideos gewinnt in letzter Zeit zunehmend an Aufmerksamkeit. Obwohl die Leistungszahlen aktueller State-of-the-Art-Methoden auf öffentlich verfügbaren Datensätzen konkurrenzfähig sind, erfordern sie eine massive Menge an Trainingsdaten. Zudem fehlt es ihnen an einem klaren Ansatz zur kontinuierlichen Aktualisierung des trainierten Modells, sobald neue Daten verfügbar sind. Darüber hinaus ist die Online-Entscheidungsfindung ein entscheidender, jedoch weitgehend vernachlässigter Faktor in diesem Bereich. Angespornt durch diese Forschungslücken stellen wir eine Online-Anomalieerkennungsmethode für Überwachungsvideos vor, die Transferlernen und Any-shot-Lernen nutzt. Dadurch wird die Trainingskomplexität erheblich reduziert, und es wird eine Mechanik bereitgestellt, die Anomalien bereits mit nur wenigen gelabelten Normalbeispielen erkennen kann. Unser vorgeschlagenes Verfahren nutzt die Merkmalsextraktionskraft neuronaler Netzwerkmodelle für Transferlernen sowie die Any-shot-Lernfähigkeit statistischer Erkennungsmethoden.