深度异常:用于拥挤场景中快速检测异常的全卷积神经网络
本研究提出了一种快速卷积神经网络 (FCNN),并使用多阶段的深度学习来整合外观和动态线索进行人群分割,成功使用我们自己创建的具有 235 和 11 个场景的人群分割数据集对我们的方法进行了评估。
Nov, 2014
本文探究了利用 Convolutional Neural Networks 和低水平的光流测量来检测视频中的局部异常点。研究结果表明,该方法比当前最先进的方法更为优秀。
Oct, 2016
该论文提出了一种在密集场景中进行实时异常检测和定位的方法,在该方法中,视频被定义为非重叠立方块的集合,并使用两个本地和全局描述符进行描述。我们利用简单和经济实惠的高斯分类器来区分正常活动和异常活动,并根据相邻块之间的结构相似性和无监督学习的特征来确定本地和全局特征。大量实验结果表明,该算法优于 UCSD ped2 和 UMN 基准的最新方法,而且具有更高的时间效率。我们的实验结果证明了我们的系统可以在视频中发生异常时可靠地检测和定位异常。
Nov, 2015
我们提出了一种有效的方法来检测视频中的异常,该方法利用卷积神经网络的卷积层进行物体识别和识别,其中包括两个主要组件,一个用于空间特征表示,以及一个用于学习空间特征的时间演变。实验结果表明,我们的方法的检测准确性与最先进的方法相当,速度高达 140 帧 / 秒。
Jan, 2017
本文主要综述了 2020 至 2022 年发表于主流会议和期刊的人群异常检测算法,并讨论和比较它们的性能和应用场景,发现预训练卷积模型的异质性对于人群视频异常检测性能影响可以忽略不计。未来研究的重点是什么?请读者自行查看文章得出结论。
Oct, 2022
本文介绍了一种利用计算机视觉技术进行高密度场景下人群计数的方法,使用了全卷积人群计数模型来提高计数准确性和稳健性,并设计了数据增强和多尺度平均等技巧来提高模型的适应性和广泛适用性
Dec, 2016
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
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
本文提出了一种名为 DeepLGR 的新型框架,以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器,具有较高的效率、稳定性和泛化性能,能够有效学习全局空间关系和区域潜在功能。
Feb, 2020