DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection

TCN和GCN之间的合作作为处理模块在基于骨架的视频异常检测（SVAD）中显示出有希望的结果。然而，为了保持轻量级模型，具有低计算和存储复杂性，浅层GCN和TCN块受到小的感受野和缺乏跨维度交互捕获的限制。为了解决这个限制，我们提出了一个轻量级模块，称为双重注意力模块（DAM），用于捕获时空骨骼数据中的跨维度交互关系。它采用帧注意机制来识别最重要的帧和骨骼注意机制来捕获跨固定分区的更广泛关系，具有最少的参数和flops。此外，所提出的双重注意力归一化流（DA-Flow）将DAM作为GCN之后的后处理单元集成到归一化流框架中。模拟结果表明，所提出的模型对噪声和负样本具有鲁棒性。实验结果表明，DA-Flow在微观AUC指标方面达到了与现有最先进方法相当或更好的性能，并具有最少的参数数量。此外，我们发现，即使没有训练，仅使用骨骼数据上的随机投影而不进行降维，也能实现相当大的异常检测能力。

本文旨在解决轮廓骨架数据中的异常检测问题，通过提出一个轻量级的模块来捕捉时空骨架数据中的交叉维度交互关系。

本文提出了一个名为Dual Attention Module（DAM）的轻量级模块，它采用框架注意机制来识别最显著的帧，并采用骨架注意机制来捕捉跨固定分区的更广泛关系，以最小的参数和flops捕获时空骨架数据中的交叉维度交互关系。

实验结果表明，与现有最先进的方法相比，DA-Flow具有更少的参数数量，并且在微观AUC指标方面达到了竞争或更好的性能。即使没有训练，只需在骨架数据上使用无降维的随机投影即可实现显着的异常检测能力。

在这个领域中，最近还有一些相关的研究，例如《Skeleton-Based Action Recognition with Spatial Reasoning and Temporal Stack Learning》和《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》。