Bidirectional skip-frame prediction for video anomaly detection with intra-domain disparity-driven attention

随着视频监控设备的广泛部署和智能系统开发的需求，视频异常检测（VAD）已成为构建智能监控系统的重要组成部分。扩大正常和异常事件之间的判别界限以提高性能是VAD的共同目标和挑战。为了解决这个问题，我们从学习不同特征之间的域内差异的角度，提出了一种基于双流自编码器的双向跳帧预测（BiSP）网络。在训练阶段，BiSP跳过帧以实现前向和后向帧预测，在测试阶段，它利用双向连续帧共同预测相同的中间帧，从而扩大正常和异常事件之间的差异程度。BiSP从运动模式和物体尺度的角度设计了方差通道注意力和上下文空间注意力，从而确保在不同维度的特征提取和传递中最大化正常和异常之间的差异。来自四个基准数据集的大量实验证明了所提出的BiSP的有效性，它明显优于最先进的竞争方法。

提高视频异常检测（VAD）的性能，扩展正常和异常事件之间的边界是VAD的共同目标和挑战。本文提出了一种基于双流自编码器的双向跳帧预测（BiSP）网络，从不同特征之间的学习内域差异的角度解决这个问题。

BiSP网络在训练阶段跳帧以实现正向和反向帧预测，并在测试阶段利用双向连续帧共同预测相同的中间帧，从而扩大正常和异常事件之间的差异度。此外，BiSP还从运动模式和物体尺度的角度设计了方差通道注意力和上下文空间注意力，以确保在不同维度的特征提取和传递中最大化正常和异常之间的差异。

本文通过四个基准数据集的广泛实验验证了BiSP的有效性，其表现显著优于现有的竞争方法。

最近的相关研究包括：'Abnormal Event Detection in Videos using Spatiotemporal Autoencoder'，'Online Anomaly Detection in Videos via Self-paced Curriculum Learning'，'Video Anomaly Detection Based on Deep Auto-Encoder Embedding with Spatial-temporal Constraints'等。