Clustering de posture intégré dans un graphe pour la détection d'anomalies

Nous proposons une nouvelle méthode de détection d’anomalies dans les actions humaines. Notre approche opère directement sur des graphes de posture humaine, pouvant être extraits à partir d'une séquence vidéo d'entrée. Cela permet une analyse indépendante des paramètres parasites tels que le point de vue ou l'éclairage. Nous projetons ces graphes dans un espace latent, puis les regroupons en clusters. Chaque action est ensuite représentée par son affectation douce (soft-assignment) à chacun des clusters. Cette approche donne lieu à une forme de représentation « sac de mots », où chaque action est décrite par sa similarité par rapport à un ensemble de « mots d’action » de base. Ensuite, nous utilisons un mélange basé sur un processus de Dirichlet, adapté au traitement de données proportionnelles telles que nos vecteurs d’affectation douce, afin de déterminer si une action est normale ou anormale.Nous évaluons notre méthode sur deux types de jeux de données. Le premier est un jeu de données de détection d’anomalies fine (par exemple, ShanghaiTech), dans lequel nous cherchons à détecter des variations inhabituelles d’une action spécifique. Le second est un jeu de données de détection d’anomalies grossière (par exemple, basé sur Kinetics), où seules quelques actions sont considérées comme normales, et toutes les autres doivent être jugées anormales.Des expériences étendues sur des benchmarks montrent que notre méthode obtient des performances significativement supérieures à celles des méthodes de pointe existantes.