摘要

一种传统的异常活动检测方法是从训练数据中学习正常活动的表示，然后在测试过程中利用这种学到的表示来检测异常活动。通常，基于这种方法的技术以固定的时间尺度运行——要么是一个单一的时间点（例如，基于帧），要么是一个恒定的时间段（例如，基于视频片段）。然而，人类的异常活动可能发生在不同的时间尺度上。例如，在监控场景中，跳跃是一种短期异常行为，而徘徊则是一种长期异常行为。单一且预定义的时间尺度不足以捕捉具有不同持续时间的广泛异常现象。在本文中，我们提出了一种多时间尺度模型来捕捉不同时间尺度上的时序动态。具体而言，所提出的模型针对给定的输入姿态轨迹，在不同时间尺度上进行未来和过去的预测。该模型是多层次的，其中中间层负责生成对应于不同时间尺度的预测。这些预测被综合起来用于检测异常活动。此外，我们还引入了一个包含483,566个标注帧的研究用途异常活动数据集。该数据集将在https://rodrigues-royston.github.io/Multi-timescale_Trajectory_Prediction/ 上提供。我们的实验表明，所提出的模型能够捕捉不同持续时间的异常现象，并且优于现有方法。