NM-GAN: Noise-modulated generative adversarial network for video anomaly detection

作为智能视频监控系统的一项重要且具有挑战性的任务，视频异常检测通常指的是对包含异常目标、行为或事件的视频帧进行自动识别。尽管它已在实际场景中得到广泛应用，但由于异常定义的模糊性和异常样本的缺乏，异常检测仍然是一项具有挑战性的任务。受到生成对抗网络（GAN）广泛应用的启发，我们提出了一种称为 NM-GAN 的端到端管道，它在类似 GAN 的架构中组装了编码解码器重建网络和基于 CNN 的判别网络。通过围绕重建误差图和噪声图的对抗性学习，可以适当地调节重建网络的泛化能力。同时，训练判别网络以基于重建误差图区分异常样本和正常样本。最后，转移判别网络的输出来评估输入帧的异常分数。对几个流行数据集进行的彻底的原理验证实验和消融测试表明，所提出的模型显着增强了重建网络的泛化能力和判别网络的可区分性。与最先进的比较表明，所提出的 NM-GAN 模型在精度和稳定性方面优于大多数竞争模型