搜索'微演示',好用的PPT转网页工具

异常检测中的MEMORY机制

21120298 孙尹硕

异常检测任务

 视频异常检测(Anomaly detection)任务即检测视频序列中的异常事件(例如人行道上的自行车)。尤其视

频序列中异常事件的检测问题,对于监控和故障检测系统尤为重要。

 任务挑战来自以下原因:第一,异常事件由环境定义。即同一的活动可能是正常的,也可能是不正常的(例

如,在厨房或公园里持刀)。在这种情况下,手动注释异常事件是劳动密集型的。其次,收集异常数据集需要付

出大量努力,因为在现实生活中,异常事件很少发生。

 因此,异常检测任务多为为无监督学习问题,力求在没有异常样本的情况下学习一个描述常态的模型。其中

异常数据在训练时不可用。通常采用重建或鉴别的方法来学习描述正常模式。

数据集

3

训练集:

 仅包含正常情况的视频帧。

测试集:

 同时包含正常情况与异常情况的视频帧,

并且对每个视频帧有相应的异常与否的标签。

模型假设

4

本文提出了一种考虑正常模

式多样性的视频序列异常检

测的无监督学习方法。

模型假设单个原型特征不足

以表示正常数据的各种模式。

即普通视频帧的特征空间中

存在多个原型(也就是模型

或特征的质心)。

实现方法:提出一个异常检

测的内存模块,其中内存中

的单个项目对应于正常模式

的原型特征。

框架概述

5

 我们重建输入帧或预测未来的帧,用

于无监督异常检测。

我们的模型主要由三部分组成:编码器、

存储器模块和解码器。

编码器输入普通视频帧并提取查询特征。

然后,这些特征用于检索内存项中的原

型正常模式并更新内存。我们将查询特

征和即读取的内存项聚合起来提供给解

码器,以重构输入视频帧。

网络结构:Encoder-Decoder

6

网络在U-Net的基础上

进行了稍加修改。

删除了编码器中的最

后的批量归一化层和

ReLU层,因为ReLU切

断了负值,限制不同

的特征表示。

添加了一个L2规范化

层,以使特征具有通

用的比例。

网络结构:Memory-Read

7

网络结构:Memory-Read

8

Attention:

Sparse Subspace Clustering(SSC)

网络结构:Memory-Update

9

LOSS函数

10

Abnormality score

11

 第一项为每个查询和

最近的Memory项目之间的

L2 距离。

 第二项为输入视频帧

与其重建之间的 PSNR。

Experimentation

数据集

13

 UCSD Ped2 数据集包含 16 个训练视频和 12 个测试视频,包含 12 个

不规则事件,包括骑自行车和驾驶车辆。

 CUHK Avenue数据集由16个训练视频和21个测试视频组成,包含47个异常

事件,如跑步和扔东西。

 上海科技数据集包含13个场景的330个训练视频和107个测试视频。 它是

现有异常检测基准中最大的数据集。

结果

14

 比较指标:AUC(不同异常分数阈值

ROC曲线下的面积)。

 粗体数字表示最佳性能,下划线数

字表示次佳。

 后缀“-R”和“-P”分别表示重建和预测

任务。

结果定性展示

15

02

 我们在图 中展示了我们的模

型在 UCSD Ped2 、CUHK Avenue

和 ShanghaiTech 上的未来帧预测

的定性结果。

。它显示了输入帧、预测错误和

覆盖在帧上的异常区域。 为了可

视化异常,我们计算类像素异常

分数。

 然后我们标记异常分数大于

帧内平均值的区域

16

2

 在未来帧预测的情况下,我们的模型

不需要计算光流。

 使用了少量的项(10项,而MemAE为

2000项)。

1

 内存项目的requires_grad=False,Memory的更新只

由update()方法确定。

3

Thanks !