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

本文基于卷积神经网络、时间序列数据，提出了一种有效的视频异常检测与定位方法，通过实验结果表明该方法在准确性方面胜过现有方法。

Sep, 2016

该研究解决了视频中异常事件的联合检测和记述问题，通过整合通用 CNN 模型和环境相关的异常检测器，该方法可用于检测和记述异常事件，并在 Avenue 和 UCSD Ped2 基准测试中表现优异。

Sep, 2017

在拥挤的场景中，利用生成对抗网络（GANs）解决异常检测问题。通过只使用正常数据对 GANs 进行训练，学习场景的正常表征，进而在测试时通过对比真实数据和 GANs 重构的外观和运动表征，并计算局部差异检测出异常区域，在帧级和像素级异常检测任务中实验结果表明，与现有技术相比，该方法具有显著的优势。

Aug, 2017

本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

Mar, 2020

本文比较了四种现代图像分类网络提取 features 的结果，并研究了不同的特征标准化技术的使用。结果表明，当使用 CNN 特征进行异常检测时，选择适当的标准化方法对于提高性能至关重要。

Nov, 2018

该研究旨在解决异常事件检测问题，提出了一种基于 k-means 聚类和支持向量机的两阶段算法来消除异常点，并使用预训练神经网络的最后一层卷积层提取深度外观特征来增强时空立方体。通过在仅包含正常事件的训练视频中提取运动和外观特征并应用 k-means 聚类来发现代表不同类型的正常运动和外观特征的簇，然后训练每个簇上的一类支持向量机模型来缩小剩余簇的边界，最后通过分析每个测试样本对应的训练好的支持向量机模型的最大正常度量去判断测试样本是否异常。该方法在三个基准数据集上与多种现有方法进行了比较，实验结果表明，该异常事件检测框架在大多数情况下可以获得更好的结果，并以每秒 24 帧的速度在单个 CPU 上实时处理测试视频。

Jan, 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

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

本文探索了使用卷积神经网络（CNN）进行视频事件检测的不同策略，包括空间和时间池化、特征归一化、CNN 层的选择以及分类器的选择。通过在这些维度上进行合理选择，我们的方法在 TRECVID MED'14 数据集上的性能可比先前使用的非 - CNN 模型具有显著提高，并且我们的融合方法可以进一步提高平均精度（mAP）并达到最新的分类性能水平。

Mar, 2015