Key points are not available for this paper at this time.
Die Erkennung anomalus Ereignisse in Videos ist eine Herausforderung aufgrund ihrer seltenen und unvorhersehbaren Natur in realen Szenarien. In diesem Papier schlagen wir SwinAnomaly vor, einen Ansatz zur Videoanomalieerkennung, der auf einem bedingten GAN-basierten Autoencoder mit Merkmalextraktoren basiert, die auf Swin Transformern basieren. Unser Ansatz kodiert spatiotemporale Merkmale aus einer Sequenz von Video-Frames mithilfe eines 3D-Encoders und vergrößert sie, um einen zukünftigen Frame mittels eines 2D-Decoders vorherzusagen. Wir nutzen patchweise mittlere quadratische Abweichung und Simple Online and Realtime Tracking (SORT) für die Echtzeitanomalieerkennung und -verfolgung. Unser Ansatz übertrifft bestehende vorhersagebasierte Methoden zur Videoanomalieerkennung und bietet Flexibilität bei der Lokalisation von Anomalien durch mehrere Parameter. Umfassende Tests zeigen, dass SwinAnomaly eine Spitzenleistung bei öffentlichen Benchmarks erzielt und die Effektivität unseres Ansatzes bei der Erkennung von Videoanomalien in der realen Welt demonstriert. Darüber hinaus hat unser vorgeschlagener Ansatz das Potenzial, die öffentliche Sicherheit und den Schutz in verschiedenen Anwendungen zu verbessern, darunter Menschenmengenüberwachung, Verkehrsüberwachung und Industrielle Sicherheit.
Bajgoti et al. (Sun,) untersuchten diese Frage.