Schwach beschriftete Video-Anomalieerkennung mittels zentrumsgesteuerter diskriminativer Lernverfahren

Die Anomalieerkennung in Überwachungsvideos ist aufgrund der Vielfalt an anormalen Videoinhalten und ihrer unterschiedlichen Dauer eine herausfordernde Aufgabe. In diesem Paper betrachten wir die Anomalieerkennung in Videos als ein Regressionsproblem bezüglich der Anomalie-Scores von Videoclips unter schwacher Aufsicht. Daher schlagen wir einen Anomalieerkennungsrahmen namens Anomaly Regression Net (AR-Net) vor, der lediglich videobasierte Labels im Trainingsstadium erfordert. Darüber hinaus entwickeln wir zur Lernung diskriminativer Merkmale für die Anomalieerkennung eine dynamische Multiple-Instance-Learning-Verlustfunktion sowie eine Center-Loss-Funktion für den vorgeschlagenen AR-Net. Letztere dient dazu, die intra-klassische Distanz zwischen normalen Instanzen zu verringern, während die ersteren die inter-klassische Distanz zwischen anormalen und normalen Instanzen vergrößert. Umfassende Experimente werden auf einem anspruchsvollen Benchmark durchgeführt: ShanghaiTech. Unsere Methode erreicht eine neue state-of-the-art-Leistung für die Anomalieerkennung in Videos auf dem ShanghaiTech-Datensatz.