伪异常选择驱动学习的视频异常检测

无监督视频异常检测方法通常使用正常的监控视频数据通过帧重构/帧预测方法来训练视频异常检测模型。然而，正常视频中往往包含大量的相似画面和背景帧，数据集冗余的问题尤为明显，因此不能高效地进行异常检测模型训练。针对该问题，提出了伪异常选择驱动学习的视频异常检测方法，从原始视频训练数据中迭代选取部分异常分数高的正常视频帧(伪异常帧)来构建新的训练池，用于学习和优化视频异常检测模型。在检测模型方面，设计了基于后继帧预测的双路U-Net骨干网络，以不同采样率的视频段分别作为两个支路的输入，从而从多个粒度上更好地提取和利用视频的时空特征。为了加强典型训练数据对帧预测任务和异常检测的影响，双路U-Net中设计了多层的记忆学习模块。在常用视频异常检测数据集上进行实验，验证了所提方法在检测精度和训练效率上的有效性。