BatchNorm-basierte schwach überwachte Videoanomalieerkennung

Im Bereich der schwach überwachten Videoanomalieerkennung (WVAD), bei der nur videoweise Labels zur Anwesenheit oder Abwesenheit von anomalen Ereignissen vorliegen, stellt die inhärente Unschärfe in den zeitlichen Annotationen von Anomalien die Hauptausforderung dar. Inspiriert durch die statistische Erkenntnis, dass zeitliche Merkmale von anomalen Ereignissen häufig Ausreißercharakteristika aufweisen, schlagen wir eine neuartige Methode vor, BN-WVAD, die BatchNorm in WVAD integriert. Im vorgeschlagenen BN-WVAD nutzen wir die Divergenz des Features vom Mittelvektor (DFM) der BatchNorm als zuverlässiges Kriterium für Anomalien, um potenziell anomale Sequenzen in anomalen Videos zu identifizieren. Das vorgeschlagene DFM-Kriterium ist auch diskriminativ für die Anomalieerkennung und widerstandsfähiger gegenüber Label-Rauschen, wodurch es als zusätzlicher Anomaliescore dient, um die Vorhersage des Anomalieklassifikators zu verbessern, der anfällig für rauschige Labels ist. Darüber hinaus wurde eine batchweise Selektionsstrategie entwickelt, um mehr anomale Sequenzen in Videos zu filtern, in denen häufigere anomale Ereignisse auftreten. Das vorgeschlagene BN-WVAD-Modell erzielt state-of-the-art Ergebnisse auf UCF-Crime mit einem AUC von 87,24 % und auf XD-Violence, wo das AP bis zu 84,93 % erreicht. Unsere Codeimplementierung ist unter https://github.com/cool-xuan/BN-WVAD verfügbar.