本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法,使用基于物体中心的卷积自编码器编码运动和外观信息,并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验,结果显示此方法超过现有技术的结果。
Dec, 2018
该论文提出了一种背景无关框架来解决视频中异常事件检测的问题,该框架由对象检测器、外观和运动自编码器以及二进制分类器组成。通过对外部领域伪异常示例进行梯度上升和对外观和运动特征进行区分,并对四个基准数据集进行评估,该框架在所有数据集上均表现出优良性能。
Aug, 2020
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
本文提出了一种基于判别式学习的异常检测框架,其独立于时间顺序和无监督,无需额外的训练序列,并且在移除了标准数据集中的训练序列后,仍能取得最先进的结果。
Sep, 2016
该研究提出了一种基于多层感知器和增量学习者的在线视频异常事件检测方案,并在基准数据集上表现良好。
Jul, 2022
本文提出一种名为 UBnormal 的新型有监督开集基准测试,包括多个虚拟场景用于视频异常检测,将像素级异常事件标注添加到训练数据集中,允许完全有监督学习方法用于异常事件检测,同时维持典型的开集问题,并提供了良好的性能和实验证据支持。
Nov, 2021
本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法,结合多个代理任务进行学习,包括三个自监督任务和一个基于知识蒸馏的任务,并在三个基准测试中优于现有技术。
Nov, 2020
我们提出了一种从像素分类到掩膜分类的方法,通过集成异常检测方法于掩膜分类体系结构中实现对异常的改进。该方法包括全局掩膜注意力模块、掩膜对比学习和掩膜细化解决方案,能够在多项基准测试中实现最新的、基于像素和组件级别的性能。Mask2Anomaly 方法通过减少平均误报率 60% 达到了最新的最先进性能。
Jul, 2023
该论文提出了一种在视频预测框架内解决异常检测问题的方法,利用预测未来画面与真实画面之间的差异来检测异常事件,并引入了空间和运动约束来促进正常事件的未来帧预测和识别不符合预期的异常事件。
Dec, 2017
UnMask 是一种基于鲁棒特征对齐的对抗性检测和防御框架,能够保护深度学习模型免受对抗性攻击,并在灰盒攻击设置下检测到高达 96.75% 的攻击,并以 93%的准确度正确分类出当前最强攻击之一的 PGD 制造的对抗性图像
Feb, 2020