VQ-VAD: Apprendimento Discreto del Movimento per il Rilevamento di Anomalie Video incentrato sull'Uomo

Un nuovo approccio per il rilevamento di anomalie video (VAD), denominato Vector-Quantized Video Anomaly Detection (VQ-VAD), è stato introdotto in un articolo su arXiv (arXiv:2608.05069). Questa tecnica affronta i problemi del VAD, tra cui la limitata occorrenza di anomalie e la diversità visiva presente nei video di sorveglianza, enfatizzando l'analisi basata sulla postura per ridurre il disordine visivo e affrontare le questioni relative alla privacy. A differenza dei metodi tradizionali basati sulla postura che rappresentano le azioni umane in spazi latenti continui, VQ-VAD utilizza Vector-Quantized GAN (VQ-GAN), inizialmente progettato per la creazione di immagini, per apprendere rappresentazioni discrete del movimento da sequenze di punti chiave. Ciò consente lo sviluppo di un codebook di movimento basato esclusivamente su modelli di comportamento normale. Il framework prioritizza l'analisi incentrata sull'uomo, migliorando l'affidabilità della valutazione del comportamento catturando modelli di movimento concisi. L'articolo potrebbe anche essere stato presentato o pubblicato in altre sedi, contribuendo ai progressi nella sorveglianza basata sull'IA e nel rilevamento di anomalie con potenziali usi nei sistemi di sicurezza e monitoraggio.