earticle

영어

Anomaly detection focuses on the problem of localization or classification of anomaly regions in a video frame that deviated from their normal event. In this paper, we present embedding similarity-based anomaly detection in crowd scenes via object-centric augmentation. First, we locate the objects in all possible spaces in the images using our proposed object-centric augmentation technique. Then, we use a pre-trained convolutional neural network (CNN) to extract embedding vectors. After that, a probabilistic representation of the normal class is obtained by calculating multivariate Gaussian distributions of the embedding vectors. To detect the anomalous regions of a test image, the anomaly map is formed by calculating the distance between reference vectors representing normal class and embedding vectors of a test image. Finally, the anomalous regions can be detected by extracting the regions that contain a high anomaly score in the anomaly map. Experimental results show that our proposed method can detect anomalous regions better than another embedding similarity-based method on the UCSD dataset.

한국어

이상 탐지는 비디오 프레임에서 정상 이벤트에서 벗어난 이상 영역의 위치를 검출하는 데 중점을 둔다. 본 논문에서 는 객체 중심 증강 기법을 통한 군중 장면에서의 임베딩 유사성 기반 이상 탐지 기법을 제안한다. 우선 우리가 제안 한 객체 중심 증강 기법을 통해 객체들이 이미지의 모든 영역에 위치하게끔 한다. 그런 다음 사전 훈련된 합성 곱 신경망(CNN)을 사용하여 임베딩 벡터를 추출한다. 그 이후 추출한 임베딩 벡터의 다변량 가우스 분포를 계산하여 정상 클래스의 분포 파라미터를 학습한다. 테스트 이미지에서의 이상 영역을 감지하기 위해 우선 정상 클래스를 나 타내는 참조 벡터와 테스트 이미지에서부터 추출한 임베딩 벡터 사이의 거리를 계산하여 이상치 맵을 생성한다. 그 이후 이상치 맵에서의 높은 스코어를 가지는 영역을 추출하는 방식으로 이상 영역을 감지할 수 있다. UCSD 데이터 셋을 사용하여 실험한 결과 우리가 제안한 방법이 다른 임베딩 유사성 기반 방법보다 이상 영역을 더 잘 감지할 수 있음을 보여준다.