Ansätze zur Erkennung von physikalischen und allgemeinen Videoanomalien

In den letzten Jahren haben viele Arbeiten das Problem der Erkennung von bisher unbekannten Anomalien in Videos behandelt. Dennoch hat sich der Großteil dieser Arbeiten auf die Detektion anomaler Bilder in Überwachungsvideos konzentriert, die von Sicherheitskameras aufgenommen wurden. Das Thema der Anomalieerkennung (AD) in Videos, die anomales mechanisches Verhalten zeigen, wurde jedoch weitgehend vernachlässigt. Die Anomalieerkennung in solchen Videos ist sowohl akademisch als auch praktisch interessant, da sie die automatische Erkennung von Fehlfunktionen in vielen Fertigungs-, Wartungs- und Alltagsanwendungen ermöglichen könnte. Um das Potenzial verschiedener Ansätze zur Detektion solcher Anomalien zu bewerten, evaluieren wir zwei einfache Baseline-Methoden: (i) Zeitlich gepoolte Bild-AD-Techniken. (ii) Dichteschätzung von Videos, die mit für Video-Klassifikation vortrainierten Features repräsentiert sind.Die Entwicklung solcher Methoden erfordert neue Benchmarks, um verschiedene mögliche Ansätze zu evaluieren. Wir stellen den Physical Anomalous Trajectory or Motion (PHANTOM)-Datensatz vor, der sechs verschiedene Videoklassen enthält. Jede Klasse besteht aus normalen und anomalen Videos. Die Klassen unterscheiden sich in den dargestellten Phänomenen, der Variabilität der normalen Klasse und der Art der Anomalien in den Videos. Wir schlagen außerdem einen noch schwierigeren Benchmark vor, bei dem anomale Aktivitäten in hoch variablen Szenen erkannt werden sollten.