Jan, 2018

使用缩小的正常性聚类检测视频中的异常事件

PDF
TL;DR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。
发现论文，激发创造
  • 视频异常事件检测的物体中心自编码器和虚假异常

    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

  • 利用聚类辅助异物检测视频的弱监督训练

    我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。

    Mar, 2022

  • CLAWS: 利用聚类辅助弱监督学习和正常行为抑制进行异常事件检测

    本文提出了一种弱监督异常检测方法，该方法包括基于随机批量的训练过程、正常状态抑制机制、聚类距离损失等贡献，其中通过将模型生成的不同的正常和异常聚类，降低标签噪音并生成更好的异常表示。该方法在 UCF Crime 和 ShanghaiTech 数据集上获得了 83.03% 和 89.67% 的逐帧 AUC 性能，证明了其优于现有先进算法的优越性。

    Nov, 2020

  • 插拔式卷积神经网络用于人群运动分析：异常事件检测应用

    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

  • 通过聚类清洗标签噪声以实现最小监督异常检测

    本文提出了一种利用二进制聚类方法的弱监督异常事件检测方法，在 UCF-crime 和 ShanghaiTech 两个数据集上展示了比现有算法更优异的 78.27％和 84.16％的帧级 AUC。

    Apr, 2021

  • 使用视频级标签的自我推理框架进行异常检测

    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

  • 利用时空自编码器检测视频中的异常事件

    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

  • 监控视频中的现实世界异常检测

    该论文提出了一种通过深度多实例评级框架利用弱标记训练视频来学习异常的方法，并介绍了一个包括正常和异常视频的新型数据集，该数据集用于一般的异常检测和 13 个异常活动的识别任务。实验结果表明该方法显著提高了异常检测的性能。

    Jan, 2018

  • 外观 - 运动对应关系视频序列异常检测

    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

  • 视频中异常事件的揭示

    提出了一种基于 unmasking 技术的异常事件检测方法，通过逐步训练二分类器标记出视频序列中的异常事件，并在四个数据集上与多种监督学习和非监督学习方法进行了比较，结果显示该方法可在实时环境下处理高速视频并取得最优表现。

    May, 2017