May, 2018

高斯混合全卷积变分自编码器实现视频异常检测和定位

PDF
TL;DR提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。
partially supervised deep learningvideo anomaly detectiongaussian mixture modelconvolutional neural networktwo-stream network
发现论文，激发创造
  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 卷积自编码器在视频异常检测中的深度学习方法

    我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

    Nov, 2023

  • 变分自编码器在视频视觉异常检测中的应用

    本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

    Mar, 2022

  • 学习外观 - 运动正常性，用于视频异常检测

    本文提出了一种增强空间 - 时间记忆的双流自编码器框架，通过对抗学习，学习外观正常性和运动正常性，并探索空间和时间模式之间的相关性，在 UCSD Ped2 和 CUHK Avenue 数据集上，该框架的 AUC 分别为 98.1％和 89.8％，胜过最先进的方法。

    Jul, 2022

  • 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

  • 使用 GAN 进行视频异常检测

    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

  • 混合深度网络用于异常检测

    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

  • 使用生成对抗网络在视频中检测异常事件

    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

  • 学习记忆引导的正常性用于异常检测

    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

  • 图像中的注意力导向异常定位

    使用卷积对抗变分自编码器与引导注意力和注意力扩张损失的方法，可在无监督和弱监督低异常样本下精确定位异常区域，结果表明 CAVGA 在几个测试数据集上优于目前最先进的异常检测方法。

    Nov, 2019