objektorientierte und speichergeleitete Rekonstruktion von Normalität für die Anomalieerkennung in Videos

Diese Arbeit behandelt das Problem der Anomalieerkennung in Videos für die Videoüberwachung. Aufgrund der inhärenten Seltenheit und Heterogenität anormaler Ereignisse wird das Problem als Normalitätsmodellierungsstrategie betrachtet, bei der unser Modell objektzentrierte Normalmuster lernt, ohne während des Trainings anormale Beispiele zu sehen. Die Hauptbeiträge liegen in der Koppelung vortrainierter, objektbasierter Aktionsmerkmalsprototypen mit einer auf der Kosinus-Distanz basierenden Anomalieabschätzungsfunktion, wodurch frühere Ansätze durch zusätzliche Einschränkungen gegenüber der gängigen rekonstruktionsbasierten Strategie erweitert werden. Unser Framework nutzt sowohl visuelle als auch Bewegungsinformationen, um objektbasiertes Verhalten zu lernen und prototypische Muster innerhalb eines Speichermoduls zu erfassen. Experimente auf mehreren bekannten Datensätzen belegen die Wirksamkeit unserer Methode, da sie auf den meisten relevanten räumlich-zeitlichen Evaluationsmetriken die derzeitigen State-of-the-Art-Verfahren übertrifft.