Détection d'anomalies réelles dans les vidéos de surveillance

Les vidéos de surveillance sont capables de capturer une variété d'anomalies réalistes. Dans cet article, nous proposons d'apprendre les anomalies en exploitant à la fois des vidéos normales et anormales. Pour éviter l'annotation des segments ou extraits anormaux dans les vidéos d'entraînement, ce qui est très fastidieux, nous proposons d'apprendre l'anomalie à travers le cadre de classement par instance multiple profonde en utilisant des vidéos d'entraînement faiblement étiquetées, c'est-à-dire que les étiquettes d'entraînement (anormales ou normales) sont au niveau de la vidéo plutôt qu'au niveau de l'extrait. Dans notre approche, nous considérons les vidéos normales et anormales comme des sacs et les segments vidéo comme des instances dans l'apprentissage par instance multiple (MIL), et nous apprenons automatiquement un modèle de classement d'anomalies profond qui prédit des scores élevés d'anomalie pour les segments vidéo anormaux. De plus, nous introduisons des contraintes de parcimonie et de régularité temporelle dans la fonction de perte de classement pour mieux localiser l'anomalie pendant l'entraînement. Nous présentons également un nouveau jeu de données à grande échelle, le premier du genre, composé de 128 heures de vidéos. Il comprend 1900 vidéos de surveillance réelles et non coupées, avec 13 anomalies réalistes telles que des bagarres, des accidents routiers, des cambriolages, des vols, etc., ainsi que des activités normales. Ce jeu de données peut être utilisé pour deux tâches. Premièrement, la détection générale d'anomalies en considérant toutes les anomalies dans un groupe et toutes les activités normales dans un autre groupe. Deuxièmement, pour reconnaître chacune des 13 activités anormales. Nos résultats expérimentaux montrent que notre méthode MIL pour la détection d'anomalies réalise une amélioration significative des performances en détection d'anomalies par rapport aux approches actuelles. Nous fournissons également les résultats de plusieurs baselines récents basés sur l'apprentissage profond pour la reconnaissance d'activités anormales. Les faibles performances de reconnaissance de ces baselines révèlent que notre jeu de données est très complexe et offre davantage d'opportunités pour les travaux futurs. Le jeu de données est disponible à l'adresse suivante : https://webpages.uncc.edu/cchen62/dataset.html