异常检测的未来帧预测 —— 一个新的基准线
通过将初始和未来的原始帧替换为相应的语义分割地图,我们引入了从单帧进行未来视频预测的代理任务,以克服以往方法在学习更长动态模式方面的挑战,并展示了该方法在基准数据集上的有效性和优越性。
Aug, 2023
提出了一种基于帧预测的视频异常检测方法,该方法采用了 Multi-path ConvGRU 网络以更好地处理语义信息对象和不同尺度的区域,并在训练期间引入了噪声容忍损失来减轻背景噪声造成的干扰,经过对 CUHK Avenue、ShanghaiTech Campus 和 UCSD Pedestrian 数据集进行了广泛的实验,并获得了比现有技术方法更好的表现,尤其是在 CUHK Avenue 数据集上,获得了 88.3%的帧级 AUROC 分数。
Nov, 2020
本研究提出了一种基于生成模型和 ConvLSTM 的新型顺序生成模型,用于预测未来视频帧,并在异常检测框架中考虑时间信息,实验表明,该方法在三个基准数据集上优于现有最先进方法。
Sep, 2019
本文提出了一种高效的边缘设备上运行的视频异常检测系统,包括变化检测、背景建模和目标检测模块以及回溯异常检测算法,同时还提出了一种顺序变化检测算法。实验结果表明,该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。
Apr, 2021
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
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
本研究提出了一种基于深度神经网络的弱监督异常检测框架,采用视频级别的标签,通过使用时空视频特征的二元聚类来产生伪标签,从而减少异常视频标签中存在的噪声,实现更准确的异常检测。
Aug, 2020
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