Anomalienlokalisierung aus schwach beschrifteten Videos
Die Erkennung von Anomalien in Videos unter Verwendung von Video-Level-Labels stellt derzeit eine herausfordernde Aufgabe dar. Bisherige Ansätze haben Fortschritte bei der Unterscheidung zwischen Videos mit und ohne Anomalien erzielt. Allerdings gelingt es den meisten Verfahren nicht, die anomalen Ereignisse innerhalb der Videos präzise im zeitlichen Bereich zu lokalisieren. In diesem Paper stellen wir eine schwach überwachte Methode zur Lokalisierung von Anomalien (Weakly Supervised Anomaly Localization, WSAL) vor, die sich auf die zeitliche Lokalisierung anomaler Segmente innerhalb anomaler Videos konzentriert. Inspiriert durch die visuelle Differenzierung in anomalen Videos wird die Entwicklung benachbarter zeitlicher Segmente zur Lokalisierung anomaler Abschnitte ausgewertet. Dazu wird ein Modell mit hochordneter Kontextcodierung vorgeschlagen, das nicht nur semantische Repräsentationen extrahiert, sondern auch dynamische Veränderungen misst, um den zeitlichen Kontext effektiv nutzen zu können. Zudem wird zur vollständigen Ausnutzung der räumlichen Kontextinformationen direkt aus den Segmentrepräsentationen die unmittelbare Semantik abgeleitet. Die dynamischen Veränderungen sowie die unmittelbare Semantik werden effizient aggregiert, um schließlich die Anomalie-Scores zu ermitteln. Weiterhin wird eine Verbesserungsstrategie vorgeschlagen, um Rauschstörungen und das Fehlen von Lokalisierungsführung bei der Anomalieerkennung zu bewältigen. Darüber hinaus sammeln wir zur Erfüllung der Vielfaltserfordernisse für Benchmark-Datenbanken zur Anomalieerkennung eine neue Verkehrs-Anomalie-Datenbank (Traffic Anomaly Dataset, TAD), die sich speziell auf Verkehrsbedingungen konzentriert und sich deutlich von den derzeit gängigen Evaluationsbenchmarks unterscheidet. Um die Wirksamkeit der einzelnen Komponenten zu überprüfen, werden umfangreiche Experimente durchgeführt, und das vorgeschlagene Verfahren erreicht auf den Datensätzen UCF-Crime und TAD neue SOTA-Leistungen (State-of-the-Art).