摘要

在长视频序列中识别有意义的活动是一个具有挑战性的问题，这主要源于“有意义”这一概念的定义模糊，以及场景中存在大量杂乱信息。为解决该问题，我们提出通过学习一种生成模型来捕捉规律性运动模式（称为“规律性”），该模型利用多种数据源，且仅需极少的监督信号。具体而言，我们提出了两种基于自编码器的方法，因其在极少甚至无监督条件下仍能有效工作的特性而被选用。首先，我们采用传统的手工设计时空局部特征，并在这些特征上训练一个全连接自编码器。其次，我们构建了一个全卷积前馈自编码器，实现局部特征与分类器的端到端联合学习。我们的模型能够从多个数据集中捕捉到规律性特征。我们在定性和定量两个层面评估了所提方法：在定性方面，展示了模型在不同维度上学习到的视频规律性；在定量方面，将其应用于异常检测任务，在多个基准数据集上表现出具有竞争力的性能。