基于记忆增强和扩散模型的骨架视频异常检测OA
传统的视频异常检测(VAD)方法主要依赖于从视频帧的整体或特定区域提取像素特征。为了降低非结构化噪声的影响,基于人体骨架的VAD方法备受关注。然而在开集场景下,此类方法面临2大挑战:对异常行为的错误重构及对正常行为拓展能力的不足。针对这个问题,提出一种基于记忆增强与扩散模型的骨架视频异常检测框架(MEDM-SVAD)。该框架通过引入记忆增强模块扩展模型对正常样本的记忆能力,避免异常行为因重构误差较小而被误判;此外,利用扩散模型显著提高对域外正常行为的泛化能力。在HR-STC、HR-Avenue和HR-UBnormal这3个公开数据集上的实验结果表明,相较于现有最先进的MoCoDAD算法,MEDM-SVAD在AUC指标上分别取得78.5%、90.1%和69.7%的结果,均有不同程度的性能提升,验证了其在多种场景下的有效性与优越性。
张栖;李元;周彦钊;焦建彬
中国科学院大学电子电气与通信工程学院,北京100049中国科学院大学电子电气与通信工程学院,北京100049中国科学院大学电子电气与通信工程学院,北京100049中国科学院大学电子电气与通信工程学院,北京100049
信息技术与安全科学
视频异常检测骨架特征扩散模型记忆增强
《中国科学院大学学报(中英文)》 2026 (5)
P.677-686,10
中国科学院战略先导A项目(XDA27000000)资助。
评论