Apprentissage de la normalité guidée par la mémoire pour la détection d'anomalies

Nous abordons le problème de la détection d'anomalies, c'est-à-dire la détection d'événements anormaux dans une séquence vidéo. Les méthodes de détection d'anomalies basées sur les réseaux neuronaux convolutifs (CNNs) utilisent généralement des tâches intermédiaires, telles que la reconstruction des images vidéo d'entrée, pour apprendre des modèles décrivant la normalité sans voir d'échantillons anormaux pendant l'entraînement, et quantifient l'étendue des anomalies en utilisant l'erreur de reconstruction lors du test. Les principaux inconvénients de ces approches sont qu'elles ne prennent pas explicitement en compte la diversité des motifs normaux, et que la forte capacité de représentation des CNNs permet de reconstruire des images vidéo anormales. Pour résoudre ce problème, nous présentons une approche d'apprentissage non supervisé pour la détection d'anomalies qui considère explicitement la diversité des motifs normaux tout en réduisant la capacité de représentation des CNNs. À cette fin, nous proposons d'utiliser un module mémoire avec un nouveau schéma de mise à jour où les éléments enregistrés dans la mémoire représentent les motifs prototypes des données normales. Nous introduisons également de nouvelles pertes de compacité et de séparation des caractéristiques pour entraîner le module mémoire, renforçant ainsi la puissance discriminante à la fois des éléments mémoire et des caractéristiques profondément apprises à partir des données normales. Les résultats expérimentaux sur des benchmarks standards démontrent l'efficacité et l'efficience de notre approche, qui surpasse l'état de l'art.