Opto-Electronic Engineering, Volume. 51, Issue 5, 240034(2024)
Improved spatio-temporal graph convolutional networks for video anomaly detection
Figures & Tables(13)
Fig. 1. Improved spatio-temporal graph convolutional network model framework
Fig. 2. Comparison between GCN module and CRF-GCN module. (a) GCN module; (b) CRF-GCN module
Fig. 4. Test results of UCSD Ped2 dataset. (a) Test003; (b) Test012
Fig. 5. Test results of ShanghaiTech dataset. (a) 04_0004; (b) 12_0173
Fig. 6. Test results of IITB-Corridor dataset. (a) Test000228; (b) Train000139 (Normal)
Fig. 7. Noised experiments. (a) AUC loss for training with noise-added data; (b) ACC loss for training with noise-added
Table 1. UCSD Ped2, ShanghaiTech and IITB-Corridor datasets
View tableView in ArticleTable 1. UCSD Ped2, ShanghaiTech and IITB-Corridor datasets
数据集 帧数 年份 标注 分辨率 异常类型 UCSD Ped2 4560 2010 Frame-level 360×240 骑自行车、小型车辆 ShanghaiTech 317398 2016 Frame-level 480×856 骑自行车、逃票、打架 IITB-Corridor 483566 2020 Frame-level 1920×1080 抗议、打斗、追逐等
Table 2. Comparison results of different methods on UCSD Ped2 dataset
View tableView in ArticleTable 2. Comparison results of different methods on UCSD Ped2 dataset
监督方式 对比方法 特征提取方式 AUC/% 准确率/% 无监督方式 Hasan的方法[ 28 ]- 90.0 89.5 Gong的方法[ 29 ]- 94.1 - Yu的方法[ 30 ]- 97.3 95.6 Taghinezhad的方法[ 31 ]Encoder 97.6 - 弱监督方式 GCN-Anomaly[ 27 ]TSN 93.2 90.3 Sultani的方法[ 7 ]I3D 92.3 - RTFM[ 32 ]TSN 96.5 - Chen的方法[ 33 ]C3D 97.4 96.1 Wang的方法[ 34 ]Encoder 97.7 93.4 本文方法 C3D 97.7 96.5
Table 3. Comparison results of different methods on ShanghaiTech dataset
View tableView in ArticleTable 3. Comparison results of different methods on ShanghaiTech dataset
监督方式 对比方法 特征提取方式 AUC/% 准确率/% 无监督方式 Hasan的方法[ 28 ]- 60.8 60.1 Gong的方法[ 29 ]- 71.2 - Yu的方法[ 30 ]- 74.4 72.6 Tur的方法[ 35 ]3D-ResNet18 76.1 - 弱监督方式 GCN-Anomaly[ 27 ]TSN 84.4 82.6 Sultani的方法[ 7 ]I3D 86.3 - Zhou的方法[ 12 ]I3D 89.8 - Acsintoae的方法[ 36 ]- 83.7 86.1 Wang的方法[ 34 ]Encoder 71.3 82.6 本文方法 C3D 90.4 88.6
Table 4. Comparison results of different methods on IITB-Corridor dataset
View tableView in ArticleTable 4. Comparison results of different methods on IITB-Corridor dataset
监督方式 对比方法 特征提取方式 AUC/% 无监督方式 Zeng的方法[ 37 ]- 73.9 弱监督方式 Li的方法[ 38 ]C3D 72.2 Cao的方法[ 39 CVAE 73.6 Royston的方法[ 26 ]I3D 67.1 Majhi的方法[ 40 ]I3D 84.1 本文方法 C3D 86.0
Table 5. Comparison results of different methods on complexity
View tableView in ArticleTable 5. Comparison results of different methods on complexity
分类 对比方法 MACs/G Params/M 基于其他框架的方法 Sultani的方法[ 7 ]154.22 63.33 Feng的方法[ 19 ]156.86 34.75 基于图卷积的方法 GCN-Anomaly[ 27 ]154.22 63.38 Chen的方法[ 33 ]154.23 63.90 本文方法 109.14 19.90
Table 6. Results of ablation experiments
View tableView in ArticleTable 6. Results of ablation experiments
时间依赖图 空间相似图 图融合方式 CRF AUC/% 准确率/% √ - 96.6 96.2 √ - 97.1 96.1 √ √ 平均融合[ 29 ]89.2 86.9 √ √ 自适应时空融合 96.1 94.2 √ √ 自适应时空融合 √ 97.7 96.5
Tools
Get Citation
Copy Citation Text
Hongmin Zhang, Dingding Yan, Qianqian Tian. Improved spatio-temporal graph convolutional networks for video anomaly detection[J]. Opto-Electronic Engineering, 2024, 51(5): 240034
Paper Information
Category: Article
Received: Feb. 1, 2024
Accepted: Apr. 10, 2024
Published Online: Jul. 31, 2024
The Author Email: Zhang Hongmin (张红民)
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20