BriefGPT - AI 论文速递
·
多任务轨迹异常检测的整体表示学习
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文介绍了一种基于骨架序列的视频异常检测方法，采用多任务学习实现轨迹的外推和插值，采用基于注意力的编码器-解码器模型，在三个数据集上进行了实验证明了该方法的有效性。
🎯
关键要点
- 该文介绍了一种基于骨架序列的视频异常检测方法。
- 提出了一种完整的骨架轨迹表示方法，以学习不同时间段内预期的动作。
- 使用多任务学习来重建轨迹的未观测连续时间段，实现外推和插值。
- 采用端到端的基于注意力的编码器-解码器模型进行轨迹编码。
- 联合学习被时间遮挡的轨迹段的潜在表示，并根据预期动作进行重建。
- 在三个基于轨迹的视频异常检测数据集上进行了大量实验，证明了方法的有效性。
- 该方法在骨架轨迹的异常检测中取得了最先进的结果。
➡️
