我们提出了一种深度卷积神经网络来检测监控视频中的异常事件，该网络通过学习一种物体外观和运动之间的关系来解决该问题。我们的模型是由重建网络和图像转换模型组成的，它们共享相同的编码器。该模型仅通过正常事件的视频进行训练，可对未知输入进行帧级别的评分。在 6 个基准数据集上的实验证明了该方法在与最先进方法的竞争性能方面的优越性。

Aug, 2019

本文提出了一种增强空间 - 时间记忆的双流自编码器框架，通过对抗学习，学习外观正常性和运动正常性，并探索空间和时间模式之间的相关性，在 UCSD Ped2 和 CUHK Avenue 数据集上，该框架的 AUC 分别为 98.1％和 89.8％，胜过最先进的方法。

Jul, 2022

本研究基于卷积神经网络设计了一种实时的无模型对象跟踪方法，通过研究外观和运动特征，提出了一个端到端的离线训练的两流网络 AMNet，该网络通过匹配策略追踪目标并深度检测来定位目标，在 OTB 和 VOT 基准数据集上取得了领先的性能。

Dec, 2018

本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

Aug, 2019

通过提出一种时间性增强的网络模型，学习一种能感知运动的特征，并通过多示例学习进行分类，从而在 UCF Crime 数据集上显著超越以往方法，在视频反常检测和异常行为识别任务上取得了较好的表现。

Jul, 2019

提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

May, 2018

本文提出了一种利用条件扩散模型进行无监督视频异常检测的方法，使用预训练网络提取空间和时间特征，并结合能概括给定视频片段运动和外观的紧凑运动表示进行条件约束，采用数据驱动的阈值，将高重构误差视为异常事件的指标。实验表明，该方法在大规模视频异常检测数据集上的性能优于现有方法和基线方法。

Jul, 2023

本文讨论如何利用深度卷积神经网络和适当的编码方法来提高视频事件检测的性能，建议使用潜在概念描述符作为帧描述符，并实现新的最先进性能。

Nov, 2014

本文提出了一种全面解释的视频法医方法，旨在暴露 DeepFake，通过建模视频中多个特定空间位置的时间运动来提取强大而可靠的表示形式，称为 Co-Motion Pattern，该方法具有优越的可解释性和充分的鲁棒性。

Aug, 2020

该研究提出了一种新的两流对象感知 VAD 方法，通过图像转换任务学习正常的外观和动态模式，检测偏离学习正常模式的异常情况，并在三个数据集上表现有竞争力。

May, 2022