Autoencoder Espaço-Temporal para Detecção de Anomalias em Vídeos

A detecção de eventos anômalos em cenas de vídeo do mundo real é um problema desafiador devido à complexidade da "anormalidade" assim como aos fundos, objetos e movimentos desordenados nas cenas. A maioria dos métodos existentes utiliza características artesanais em regiões espaciais locais para identificar anomalias. Neste artigo, propomos um modelo inovador chamado Autoencoder Espaço-Temporal (ST AutoEncoder ou STAE), que utiliza redes neurais profundas para aprender a representação de vídeo automaticamente e extrai características tanto das dimensões espacial quanto temporal por meio da realização de convoluções tridimensionais. Além da perda de reconstrução usada em autoencoders típicos existentes, introduzimos uma perda de predição com peso decrescente para gerar quadros futuros, o que aprimora o aprendizado de características de movimento nos vídeos. Como a maioria dos conjuntos de dados para detecção de anomalias é restrita a anomalias de aparência ou anomalias de movimento não natural, coletamos um novo conjunto de dados desafiador composto por um conjunto de vídeos reais de vigilância de tráfego. Vários experimentos são realizados tanto em benchmarks públicos quanto em nosso conjunto de dados de tráfego, os quais mostram que nosso método proposto supera notavelmente as abordagens de estado da arte.