Un Cadre Indépendant du Contexte avec une Formation Adversariale pour la Détection d'Événements Anormaux dans les Vidéos

La détection d'événements anormaux dans les vidéos est un problème complexe de vision par ordinateur qui a attiré une attention considérable ces dernières années. La complexité de cette tâche découle principalement de la définition couramment adoptée d'un événement anormal, à savoir un événement se produisant rarement et généralement dépendant du contexte environnant.En suivant la formulation standard de la détection d'événements anormaux en tant que détection d'outliers, nous proposons un cadre indépendant du fond qui apprend à partir de vidéos d'entraînement ne contenant que des événements normaux. Notre cadre est composé d'un détecteur d'objets, d'un ensemble d'auto-encodeurs basés sur l'apparence et le mouvement, ainsi que d'un ensemble de classifieurs. Étant donné que notre cadre ne prend en compte que les détections d'objets, il peut être appliqué à différentes scènes, à condition que les événements normaux soient définis identiquement dans toutes les scènes et que le seul facteur principal de variation soit le fond.Pour surmonter le manque de données anormales lors de l'entraînement, nous proposons une stratégie d'apprentissage antagoniste pour les auto-encodeurs. Nous créons un ensemble agnostique des scènes d'exemples pseudo-anormaux hors domaine, qui sont correctement reconstitués par les auto-encodeurs avant l'application de l'ascension du gradient sur ces exemples pseudo-anormaux. Nous utilisons également ces exemples pseudo-anormaux comme exemples anormaux lors de l'entraînement des classifieurs binaires basés sur l'apparence et le mouvement, afin de discriminer entre les caractéristiques latentes et les reconstitutions normales et anormales.Nous comparons notre cadre avec les méthodes de pointe sur quatre ensembles de données de référence, en utilisant diverses métriques d'évaluation. Les résultats empiriques montrent que notre approche obtient des performances favorables sur tous les ensembles de données par rapport aux méthodes existantes. De plus, nous fournissons des annotations basées sur les régions et les trajectoires pour deux grands ensembles de données de détection d'événements anormaux issus de la littérature, à savoir ShanghaiTech et Subway (métro).