Rendre les Anomalies Plus Anomales : Détection d’Anomalies Vidéo à l’aide d’un Générateur et d’un Détructeur Innovants

Nous proposons une nouvelle approche pour la détection d’anomalies dans les vidéos. Les méthodes existantes de détection d’anomalies vidéo s’entraînent uniquement sur des trames normales, en s’attendant à ce que la qualité des trames anormales diminue, et exploitent l’erreur de reconstruction par rapport aux vérités terrain pour détecter les anomalies. Toutefois, un défi subsiste en raison de la puissante capacité de généralisation des réseaux neuronaux profonds, qui ont tendance à générer de manière très convaincante des trames anormales. Pour surmonter ce problème, nous introduisons une méthode originale visant à rendre les anomalies plus « anormales » en dégradant les régions anormales présentes dans les trames anormales. À cet effet, nous proposons un générateur cadre-à-étiquette et mouvement (F2LM) ainsi qu’un module appelé Destroyer. Le générateur F2LM prédit une trame future en exploitant l’étiquette et les informations de mouvement des trames d’entrée, ce qui a pour effet de dégrader la qualité des régions anormales. Le Destroyer détruit ces régions anormales en transformant les zones de faible qualité en vecteurs nuls. Ces deux modèles sont entraînés de manière indépendante, et lors de l’évaluation, le générateur F2LM dégrade d’abord la qualité des régions anormales, suivie par la destruction de ces zones par le Destroyer. Notre méthode proposée pour la détection d’anomalies vidéo a démontré des performances supérieures par rapport aux modèles de pointe sur trois jeux de données standards (UCSD Ped2, CUHK Avenue, Shanghai Tech.). Le code source et les modèles sont disponibles en ligne à l’adresse suivante : https://github.com/SkiddieAhn/Paper-Making-Anomalies-More-Anomalous.