学习深度通用知识的联合异常事件检测与回溯
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
通过使用生成对抗网络(GAN)等技术,本研究在监控场景中解决了自动异常事件检测的问题,从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明,与现有技术相比,我们的模型在所有数据集上表现良好。
Nov, 2023
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
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
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
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
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