Weakly Supervised Anomaly Detection Based on Two-Step Cyclic Iterative PU Learning Strategy

弱监督异常检测在监控视频中是一项高度具有挑战性的任务，主要由于标签信息不准确和异常样本的稀疏及多样性分布。本文将仅包含正常帧的视频定义为正样本集P，而缺乏帧级标签的异常视频定义为未标记样本集U，从而首次将弱监督异常检测定义为正样本和未标记学习（PUL）问题。针对视频异常检测任务的特点，本文改进了传统的PUL策略，提出了一种两步循环迭代的PUL策略。通过反馈循环将筛选阶段与分类阶段连接起来，利用交替迭代训练提高了网络的检测性能。同时，我们提出了一种面向局部特征的异常检测框架，并使用特征分解后的特征向量训练网络。通过在三个不同数据集上的验证实验，结果表明所提检测模型优于大多数竞争模型，这证明了该方法的有效性