uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories

本文解决了基于深度学习方法在公共视频异常数据集上取得显著进展但在实际应用中表现不佳的两个问题：缺乏标注数据和难以解释神经网络预测的问题。为此，我们提出了一种名为uTRAND的框架，将异常轨迹预测问题从像素空间转移到语义-拓扑领域。该框架在交通摄像头鸟瞰视角视频中检测和跟踪所有类型的交通代理。通过将交叉口概念化为基于补丁的图形，我们展示了该框架在不需要昂贵的手动标注的情况下学习和建模交通代理的正常行为。此外，uTRAND允许制定简单的规则以适合人类解释的方式对异常轨迹进行分类。我们展示了uTRAND在实际环境中收集的异常轨迹数据集上优于其他最先进的方法，并产生可解释的检测结果。

解决问题：论文提出了一个名为uTRAND的框架，旨在解决在真实世界应用中深度学习方法在公共视频异常数据集上取得显着改进，但表现不佳的问题。同时，该框架试图解决标注数据不足和难以解释神经网络预测的问题。

关键思路：uTRAND框架将异常轨迹预测问题从像素空间转移到语义-拓扑领域，通过将交叉口视为基于补丁的图形来检测和跟踪所有类型的交通代理人，展示了学习和建模交通代理人的正常行为的能力。uTRAND框架不需要昂贵的手动标记，可以制定简单的规则来分类异常轨迹，以适合人类解释。

其他亮点：论文在真实世界环境中的异常轨迹数据集上展示了uTRAND的优越性能，并生成了可解释的检测结果。论文使用了开源数据集，并提供了开源代码。值得进一步研究如何将该框架应用于其他领域的异常检测问题。

相关研究：最近的相关研究包括使用深度学习方法进行异常检测的工作，以及其他基于图像处理和计算机视觉的异常检测技术。例如，'Traffic Anomaly Detection Using Deep Learning with Traffic Flow Data'和 'A Survey of Deep Learning for Anomaly Detection'。