视频异常检测数据集 (ShanghaiTech)

1 引入

  源地址：https://svip-lab.github.io/dataset/campus_dataset.html
  论文地址：https://openaccess.thecvf.com/content_cvpr_2018/papers/Liu_Future_Frame_Prediction_CVPR_2018_paper.pdf
  数据集及代码：https://github.com/StevenLiuWen/ano_pred_cvpr2018

2 概述

  异常检测模型训练的一个直接目标是可以直接应用于多视角多场景中。然而，几乎所有已有数据集都只包含使用一台固定角度相机拍摄的视频，且缺乏场景和视角的多样性。为了增加场景多样性，构建了一个新的异常检测数据集ShanghaiTech。此外，在该数据集中引入了由突然运动引起的异常，例如追逐和斗殴。这些异常是现有数据集不具备的，使得所构建的数据集更适合真实场景。
  异常检测数据集总结如下：
  1）CUHK Avenue：包含16个训练视频和21个测试视频，共47个异常事件，包含投掷物体、闲逛和跑步。人的大小会因为相机的位置和角度而改变；
  2）Pedestrian 1 (Ped1)：包含34个训练视频和36个测试视频，其中包含40个不规则事件。所有这些异常案例都与自行车、汽车等交通工具有关。
  3）Pedestrian 2 (Ped2)：包含16个训练视频和12个测试视频，包含12个异常事件。Ped2 的异常定义与 Ped1 相同。
  4）Subway：有两类，即入口和出口。不寻常的事件包括走错方向和游荡。该数据集是在室内环境中记录的，而以上数据是在室外环境中记录。
  5）ShanghaiTech：包含13个场景，具有复杂的光照条件和摄像机角度。包含130 个异常事件和超过270000个训练帧。此外，异常事件的像素级标注被给出。

3 Bib

@inproceedings{
    Liu:2018:65366545,
author		=	{
    Wen Liu and Wei Xin Luo and Dong Ze Lian and Sheng Hua Gao},
title		=	{
    Future frame prediction for anomaly detection--a new baseline},
booktitle	=	{
    {
    IEEE} conference on Computer Vision and Pattern Recognition},
pages		=	{
    6536--6545},
year		=	{
    2018}
}