摘要

我们研究了异常检测问题，即在视频序列中检测异常事件。基于卷积神经网络（CNNs）的异常检测方法通常利用代理任务，例如重建输入视频帧，来学习描述正常模式的模型，而无需在训练阶段看到异常样本，并通过测试阶段的重建误差来量化异常程度。这些方法的主要缺点在于它们没有显式考虑正常模式的多样性，且卷积神经网络的强大表示能力使得其能够重建异常视频帧。为了解决这一问题，我们提出了一种无监督学习方法来进行异常检测，该方法显式考虑了正常模式的多样性，并降低了卷积神经网络的表示能力。为此，我们建议使用带有新更新方案的记忆模块，其中记忆中的项目记录了正常数据的原型模式。我们还提出了新的特征紧凑性和分离性损失函数来训练记忆模块，从而增强从正常数据中深度学习到的特征和记忆项目的判别能力。标准基准上的实验结果证明了我们方法的有效性和高效性，其性能优于现有最先进方法。