论文标题：Self-Supervised Sparse Representation for Video Anomaly Detection

论文链接：

https://www.ecva.net/papers/eccv_2022/papers_ECCV/html/1561_ECCV_2022_paper.php

代码链接：https://github.com/louisYen/S3R

作者单位：中央研究院 & 台湾大学

视频异常检测（VAD）旨在将视频序列中的意外动作或活动localizing。现有的主流VAD技术要么基于假设所有训练数据都正常的一类公式，要么基于仅需要视频级正常/异常标签的弱监督。为了建立统一的方法来解决两种VAD设置，我们引入了一个自监督稀疏表示（S3R）框架，该框架通过探索基于字典的表示和自监督学习之间的协同作用，在特征级别对异常概念进行建模。通过学习的字典，S3R促进了两个耦合模块，en-Normal and de-Normal，以重建片段级特征并过滤掉正常事件特征。自监督技术还可以生成伪正常/异常样本来训练异常检测器。我们通过广泛的实验证明，S3R在流行的基准数据集上为一类和弱监督 VAD 任务实现了新的最先进的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除