Earticle

초록

영어

Anomaly detection focuses on the problem of localization or classification of anomaly regions in a video frame that deviated from their normal event. In this paper, we present embedding similarity-based anomaly detection in crowd scenes via object-centric augmentation. First, we locate the objects in all possible spaces in the images using our proposed object-centric augmentation technique. Then, we use a pre-trained convolutional neural network (CNN) to extract embedding vectors. After that, a probabilistic representation of the normal class is obtained by calculating multivariate Gaussian distributions of the embedding vectors. To detect the anomalous regions of a test image, the anomaly map is formed by calculating the distance between reference vectors representing normal class and embedding vectors of a test image. Finally, the anomalous regions can be detected by extracting the regions that contain a high anomaly score in the anomaly map. Experimental results show that our proposed method can detect anomalous regions better than another embedding similarity-based method on the UCSD dataset.

한국어

이상 탐지는 비디오 프레임에서 정상 이벤트에서 벗어난 이상 영역의 위치를 검출하는 데 중점을 둔다. 본 논문에서 는 객체 중심 증강 기법을 통한 군중 장면에서의 임베딩 유사성 기반 이상 탐지 기법을 제안한다. 우선 우리가 제안 한 객체 중심 증강 기법을 통해 객체들이 이미지의 모든 영역에 위치하게끔 한다. 그런 다음 사전 훈련된 합성 곱 신경망(CNN)을 사용하여 임베딩 벡터를 추출한다. 그 이후 추출한 임베딩 벡터의 다변량 가우스 분포를 계산하여 정상 클래스의 분포 파라미터를 학습한다. 테스트 이미지에서의 이상 영역을 감지하기 위해 우선 정상 클래스를 나 타내는 참조 벡터와 테스트 이미지에서부터 추출한 임베딩 벡터 사이의 거리를 계산하여 이상치 맵을 생성한다. 그 이후 이상치 맵에서의 높은 스코어를 가지는 영역을 추출하는 방식으로 이상 영역을 감지할 수 있다. UCSD 데이터 셋을 사용하여 실험한 결과 우리가 제안한 방법이 다른 임베딩 유사성 기반 방법보다 이상 영역을 더 잘 감지할 수 있음을 보여준다.

목차

요약
Abstract
1. 서론
2. 관련 연구
2.1 확률 기반 이상 감지 기법
2.2 재구성 기반 이상 감지 기법
2.3 임베딩 유사성 기반 이상 감지 기법
3. 제안 방법
3.1 객체 중심 증강 기법
3.2 임베딩 추출 및 정상치 학습
3.3 추론을 통한 이상 영역 감지
4. 실험
4.1 데이터 셋
4.2 실험 세팅
4.3 실험 결과
5. 결론
Acknowledgements
참고문헌

키워드

이상 탐지 딥러닝 기계학습 인공지능 객체 중심 증강 기법 합성 곱 신경망 Anomaly detection deep learning machine learning artificial intelligence object centric data augmentation convolutional neural network

저자

• 강재용 [ Jaeyong Kang | 한국교통대학교 소프트웨어학과 ]
• 곽정환 [ Jeonghwan Gwak | 한국교통대학교 소프트웨어학과, AI로봇공학과, 바이오메디컬융합학과, 교통ㆍ에너지융합학과 ] 교신저자

참고문헌

발행기관

간행물