Aprendiendo Dinámicas Normales en Videos con Red de Prototipos Meta

La reconstrucción de cuadros (cuadro actual o futuro) basada en Auto-Encoder (AE) es un método popular para la detección de anomalías en videos. Con modelos entrenados en los datos normales, los errores de reconstrucción de escenas anómalas son generalmente mucho mayores que los de las normales. Métodos anteriores introdujeron un banco de memoria en AE, para codificar patrones normales diversos a través de los videos de entrenamiento. Sin embargo, consumen memoria y no pueden afrontar nuevos escenarios no vistos en los datos de prueba. En este trabajo, proponemos una unidad de prototipo dinámico (DPU) para codificar las dinámicas normales como prototipos en tiempo real, sin costo adicional de memoria. Además, introducimos el meta-aprendizaje en nuestra DPU para formar un novedoso aprendiz de normalidad de pocos ejemplos, denominado Unidad de Prototipo Meta (MPU). Esto permite la capacidad de adaptación rápida a nuevas escenas consumiendo solo unas pocas iteraciones de actualización. Se llevan a cabo experimentos extensivos en varios puntos de referencia. El rendimiento superior sobre el estado del arte demuestra la efectividad de nuestro método. Nuestro código está disponible en https://github.com/ktr-hubrt/MPN/.