澎思新加坡研究院异常行为检测技术刷新世界记录 - 安防知识网

异常行为检测(Anomaly Detection)是视频监控中一项十分重要的任务，使用计算机视觉算法自动检测视频中诸如交通事故、违法行为等异常事件，可以节省大量的人力物力，以此解决公共安全领域的难题，在公共安全领域有重要的应用前景和巨大的市场需求。

　　近日，澎思科技异常行为检测(Anomaly Detection)技术在中佛罗里达大学犯罪数据集(UCF-Crime)和上海科技大学校园数据集(ShanghaiTech Campus)两个大规模异常检测数据集上的成绩刷新世界记录。澎思科技基于自主研发的注意力(Attention Network)模型，实现了基于帧的AUC分数大幅度提升，在UCF-Crime数据集和ShanghaiTech Campus数据集上取得了83.76%和93.73%的成绩。

　　据介绍，异常行为检测(Anomaly Detection)是视频监控中一项十分重要的任务，使用计算机视觉算法自动检测视频中诸如交通事故、违法行为等异常事件，可以节省大量的人力物力，以此解决公共安全领域的难题，在公共安全领域有重要的应用前景和巨大的市场需求。

　　目前，中佛罗里达大学犯罪数据集(UCF-Crime)和上海科技大学校园异常检测数据集(ShanghaiTech Campus)是异常行为检测领域最具代表性的数据集。两大数据集都涵盖了诸多现实世界的异常情况，在该数据集上训练的异常检测模型可以直接应用于具有多个视角的实际场景中，具有重要的现实意义。澎思科技在异常行为检测数据集取得的成绩，同样印证了公司坚持面向场景的AI技术研发，UCF-Crime数据集和ShanghaiTech Campus数据集更加非常贴近实际应用场景，澎思科技会进一步加大异常行为检测算法的研究，并逐步将算法应用到平安城市、智慧社区、智慧园区、智慧零售、智慧交通等实战应用场景中。

　　针对异常检测中最棘手的异常行为出现场景事件不确定的难题，澎思科技创新地采用注意力网络(Attention Network)算法机制，对可能出现异常的视频区域进行重点学习，将注意力特征与视频特征相结合使用分类器进行异常行为检测，从而大幅提高异常检测的准确性。经过测试，澎思科技提出的异常行为检测算法在UCF-Crime数据集(Table 1)和Shanghai Tech数据集(Table 2) 大幅领先SOTA算法，刷新了世界记录。