Aprendizaje interdominio para la detección de anomalías en videos con supervisión limitada

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Inteligencia Artificial

Sus antecedentes:

• La detección de anomalías en videos (VAD) es crucial para identificar eventos inusuales en imágenes de vigilancia.
• La VAD en el mundo real requiere un rendimiento interdominio efectivo, manejando escenarios subrepresentados en los datos de entrenamiento.
• Los métodos actuales de VAD interdominio no supervisado exhiben limitaciones de rendimiento.

Objetivo del estudio:

• Desarrollar un marco novedoso débilmente supervisado para VAD interdominio.
• Mejorar el rendimiento de VAD interdominio aprovechando la supervisión débil rentable y los datos externos sin etiquetar.
• Abordar las limitaciones de los enfoques actuales de VAD interdominio no supervisado.

Principales métodos:

• Se introdujo un marco débilmente supervisado para el aprendizaje interdominio (CDL) en VAD.
• Se incorporaron datos externos sin etiquetar durante el entrenamiento.
• Se estimó el sesgo de predicción a partir de datos externos y se minimizó de forma adaptativa utilizando la incertidumbre predicha.

Principales resultados:

• El marco propuesto CDL mejoró significativamente el rendimiento de VAD interdominio.
• Se logró una mejora absoluta promedio del 19,6% en el conjunto de datos UCF-Crime.
• Se logró una mejora absoluta promedio del 12,87% en el conjunto de datos XD-Violence, superando a los métodos de vanguardia.

Conclusiones:

• El aprendizaje interdominio débilmente supervisado con datos externos ofrece un enfoque prometedor para VAD.
• El método propuesto mejora eficazmente los modelos VAD para aplicaciones interdominio en el mundo real.
• Se demostraron mejoras significativas de rendimiento sobre las técnicas de vanguardia existentes en evaluaciones interdominio.