[异常檢測] Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection

BENULL 2022-01-08 03:37:45 阅读数:362

异常 multi-timescale multi timescale trajectory

Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection

會議: WACV 2020
論文:https://arxiv.org/abs/1908.04321
代碼:https://github.com/Rodrigues-Royston/Multi-timescale-Trajectory-Prediction-for-Abnormal-Human-Activity-Detection

在本文中,提出了一個多時間尺度模型來描述不同時間尺度下的姿態。特別是,對於給定的輸入姿態軌迹,該模型在不同的時間尺度上對未來和過去進行預測。還創建了一個包含各種异常活動的大型單攝像機數據集。與其他數據集不同在於該數據集包含一系列人類异常情况包括單人、多人和群體异常活動。

img

解决的問題

通常的异常檢測方法都是基於單個視頻幀或者一個滑動窗口的視頻幀。但是人的不同行為持續的時長是不同的。比如蹦跳是個短時間的异常行為而遊蕩卻是一個持續時間很長的异常。單幀或者固定窗口的方法不足以捕獲不同持續時間內發生的各種异常。

模型

它有兩個模型,分別預測過去和未來。在特定的時間尺度上,結合兩個模型的預測在每個時刻生成預測。

兩個模型是等同的但是是分開訓練的,對過去的預測的模型輸入是逆向的姿態軌迹。

img

Encoder由2個全連接層組成,將長度為50的姿態向量(25個關節點的x,y坐標)轉換到長度為1024的向量。

之後這些編碼向量通過不同尺度的一維卷積濾波器,之後訓練Decoder來預測未來的序列,不同時間尺度的Decoder由長度為1024和對應尺寸*50的兩個全連接層組成,使用Relu作為激活函數。
img

IITB-Corridor數據集

創建了用於异常人類活動的印度理工學院走廊數據集。這些視頻是在印度理工學院孟買校區用單攝像機拍攝的。場景由一條走廊組成,正常活動通常是步行和站立。該數據集包含各種活動,並且具有單個人員到群體級別的异常。正常和异常的注釋在幀級別提供。

img

實驗

img

版权声明:本文为[BENULL]所创,转载请带上原文链接,感谢。 https://gsmany.com/2022/01/202201080337452325.html