「图像视频深度异常检测」简明综述论文

异常检测最新综述论文

摘要

异常检测(AD)问题具有重要的意义，近年来引起了许多研究者的关注。

因此，在这一研究领域提出的方法数量稳步增加。AD与重要的计算机视觉和图像处理任务(如图像/视频异常、不规则和突发事件检测)密切相关。最近，深度神经网络(DNNs)提供了一组高性能的解决方案，但代价是高昂的计算成本。然而，在前面提出的方法和可应用的实际方法之间有一个明显的差距。

考虑到对AD的关注是一个持续的具有挑战性的问题，尤其是在图像和视频中，是时候讨论一下试图处理视觉AD任务的方法的陷阱和前景了。因此，在本次综述中，我们打算对基于图像/视频深度学习的AD方法进行深入调研。并对当前面临的挑战和未来的研究方向进行了深入探讨。

引言

异常检测(AD)是指检测出可用的训练数据中很少出现甚至不存在的样本和事件。事实上，AD就是寻找看不见的概念的过程。一般来说，在AD环境中，有大量的数据实例遵循目标类分布，即正常数据。另一方面，属于分布外类(离群值)的样本不存在，或者很难访问，但代价是很高的计算成本。总之，任何未知的分布都可能导致异常，从而导致非常复杂的学习过程。因此，研究人员建议将所有正常数据中的共享概念提取为一个(几个)参考模型，而不是学习不规则性[Bertini et al., 2012; Sabokrou et al., 2015]。在测试阶段，一个实例与该模型的偏差表明它是否是异常。图1显示了AD概念的总体草图。

就数据类型而言，AD任务可能会遇到各种困难。AD算法普遍存在的缺点是: (1)高误报率: 在大多数AD应用中，检测异常事件被认为比识别正常数据更为重要和关键。例如，在监视系统中，如果只忽略一个异常行为，即将异常检测为正常事件，就会完全损害监视系统的可靠性和安全性。因此，为了自信地检测出所有的离群值，容忍更多一点的假阳性率是合理的。然而，高的误报率带来了不可靠和无效，(2) 高的计算成本: 以前的大多数工作过于复杂，无法在现实应用中快速而恰当地进行操作，(3) 标准数据集无法用于评估: 可用数据集与现实情况相差甚远。事实上，为了全面研究该研究领域提出的解决方案，获得更真实和有代表性的数据集是至关重要的。上述缺点证实AD任务面临着若干需要有效解决的持续挑战。此外，最近提出的方法只关注简单场景中的性能。考虑图像/视频AD方法的不同方面是一个关键的步骤，以改善目前的尖端技术。

受深度神经网络(DNNs)在不同研究领域的巨大成功的启发，一系列基于深度学习的解决方案被提出来处理AD任务。他们中的一些人取得了很大的成绩。然而，实现和再现性方面的困难，特别是基于生成对抗网络(GANs)的困难[Goodfellow等人，2014a]，以及高计算开销仍然被认为是严重的挑战。调查的范围。到目前为止，已经提供了一些信息丰富和有价值的调查。我们简要地提一下这一领域的一些最新作品。[Chlapathy and Chawla, 2019]关注深度AD用于不同的任务，如入侵检测系统、视频监控、医疗等。[Ruff et al., 2019]提出了深度AD的框架以及一般半监督的深度AD问题的实验场景。针对视频AD的不同深度学习检测技术已由[Suarez and Naval Jr, 2020]涵盖。

为了弥补现有的差距，我们提出了一种新的基于深度学习的图像/视频AD分类方法。我们强调无监督方法，因为他们的普遍性，适用性在现实问题和日益流行。在具体研究了每一种类别和最新的方法之后，我们表达了图像/视频AD任务中具有挑战性的方面、开放的问题和未来工作的有效方向。