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辨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内域差异的角度，提出了一种基于双流自编码器的双向跳帧预测（BiSP）网络。BiSP在训练阶段跳过帧以实现前向和后向帧预测，而在测试阶段，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广泛实验表明了所提出的BiSP的有效性，其明显优于最先进的竞争方法。

本论文旨在解决视频异常检测中的正常和异常事件之间的辨别界限不明确的问题。

该论文提出了一种基于双流自编码器的双向跳帧预测（BiSP）网络，通过学习不同特征之间的内域差异来扩大正常和异常事件之间的辨别界限。

该论文的亮点包括使用双向跳帧预测来扩大正常和异常事件之间的差异，使用方差通道注意力和上下文空间注意力来提取和传递具有不同维度的特征，以及在四个基准数据集上进行的广泛实验表明该方法的有效性。

最近在这个领域中的相关研究包括：《Temporal Pyramid Network for Video Anomaly Detection》、《Learning Spatio-Temporal Features via Video Attention for Crowd Anomaly Detection》、《Adaptive Graph Convolutional Neural Networks for Unsupervised Anomaly Detection in Surveillance Videos》等。