HyperAIHyperAI
vor 2 Monaten

VideoPatchCore: Eine Effektive Methode zur Merkung von Normalität für die Videoanomalieerkennung

Sunghyun Ahn; Youngwan Jo; Kijung Lee; Sanghyun Park
VideoPatchCore: Eine Effektive Methode zur Merkung von Normalität für die Videoanomalieerkennung
Abstract

Die Erkennung von Videoanomalien (VAD) ist eine wichtige Aufgabe in der Videanalyse und Überwachung innerhalb der Computer Vision. Derzeit gewinnt VAD mit Speichertechniken, die die Merkmale normaler Frames speichern, an Bedeutung. Die gespeicherten Merkmale werden für die Frame-Rekonstruktion verwendet, wobei eine Abweichung als Anomalie identifiziert wird, wenn ein signifikanter Unterschied zwischen dem rekonstruierten und dem Eingabe-Frame besteht. Allerdings stellt dieser Ansatz aufgrund der gleichzeitigen Optimierung sowohl des Speichers als auch des Enkoder-Dekoder-Modells mehrere Herausforderungen dar. Zu diesen Herausforderungen gehören erhöhte Schwierigkeiten bei der Optimierung, Komplexität der Implementierung und Leistungsunterschiede je nach Speichergröße. Um diese Herausforderungen zu bewältigen, schlagen wir eine effektive Speicher-Methode für VAD vor, die VideoPatchCore genannt wird. Inspiriert durch PatchCore führt unser Ansatz eine Struktur ein, die die Optimierung des Speichers priorisiert und drei Arten von Speicher konfiguriert, die den Eigenschaften von Videodaten angepasst sind. Diese Methode überwindet effektiv die Einschränkungen bestehender speicherbasierter Methoden und erreicht eine gute Leistung, vergleichbar mit den neuesten Methoden. Darüber hinaus erfordert unsere Methode kein Training und ist einfach zu implementieren, was VAD-Aufgaben zugänglicher macht. Unser Code ist online unter github.com/SkiddieAhn/Paper-VideoPatchCore verfügbar.