【2019/CVPR】Graph Convolutional Label Noise Cleaner for Anomaly Detection

论文链接：https://arxiv.org/pdf/1903.07256.pdf

TL;DR

文章中对于视频的异常检测提出了一种优化的方法，基于feature similarity和temporal consistency，利用GCN构建一个Label Noise Cleaner来产生Snippet-level Anomaly Labels从而接着重新训练模型，以此来提高模型的精度。整体属于一个弱监督学习的方法，可以优化模型。

Contributions

We formulate the problem of anomaly detection with weak labels as a supervised learning task under noise annotations, and put forward an alternate training framework to optimize the action classifier.
We propose a GCN to clean noise labels. To the best of our knowledge, it is the first work to apply a GCN to correct label noise in the area of video analytics.

Algorithm/Model

文章的整体思路如下图所示：

主要分为两步：

Classification Stage：
输入Video Snippets和Video-level Label，训练好的Action Classifier将输出每个Snippets的异常概率。
Cleaning Stage：
第一步产生的label可能不太准确，为了解决这个问题，文章中提出了基于GCN的Label Noise Cleaner来清理噪声label产生Snippet-level Anomaly Labels重新训练Action Classifier。

先看下cleaner训练过程图：

包含以下两个重要的模块：

Feature Similarity Graph Module
利用snippets之间的相似性构图：

$\mathbf{A}_{(i, j)}^{\mathbf{F}}=\exp \left(\mathbf{X}_{i} \cdot \mathbf{X}_{j}-\max \left(\mathbf{X}_{i} \cdot \mathbf{X}\right)\right)$

Temporal Consistency Graph Module
考虑snippets之间的时间一致性：

$\mathbf{A}^{\mathbf{T}}(i, j)=k(i, j)=\exp (-\|i-j\|)$

至于GCN，文中只使用了一层结构：

$\widehat{\mathbf{A}}^{\mathrm{F}}=\widetilde{\mathbf{D}}^{\mathrm{F}-\frac{1}{2}} \widetilde{\mathbf{A}}^{\mathrm{F}} \widetilde{\mathbf{D}}^{\mathrm{F}-\frac{1}{2}}$