Anomaly Detection论文阅读

[异常检测]Future Frame Prediction for Anomaly Detection论文阅读

[原文地址]https://arxiv.org/abs/1712.09867v2

学习点

主要是看论文的记录：

1. 创新 ：

将视频帧的预测技术应用于异常检测任务。这一方法的核心理念认为正常事件未来的发生具有可预测性特征，而异常事件未来则不具备这种特性。
将时间约束（光流）这一概念融入到现有的视频预测框架中

2. 网络框架 ：

• 经过改进的U-Net模型主要充当生成器角色，并配合用于帧预测的任务模块运行中；其中光流计算模块采用了经训练好的Flownet算法。

• 基于条件对抗网络架构设计的图像到图像转换模型中的判别器模块

  3. 训练过程 （减小目标函数达到目的）

生成网络旨在通过优化多维度的帧差异感知能力来提升视频质量。具体而言，在该框架中包含了四个主要的优化目标：一是帧强度差异优化（通过计算预测帧与真实帧之间的L2范数来衡量），二是梯度一致性增强（利用预测帧与真实帧之间逐像素梯度向量的L1距离进行评估），三是光流一致性提升（通过预测帧与真实帧之间光流向量之间的L1距离来进行约束），四是对抗鲁棒性增强（采用对抗arial样本训练机制来提升模型鲁棒性）。这些优化目标按照预设权重参数λ进行加权