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

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

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

本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

Oct, 2021

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

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

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

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

本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。

Oct, 2021

本研究提出了一种基于轻量级掩蔽自编码器的高效异常事件检测模型，它能够利用运动梯度进行权重计算、结合师生解码器来提高检测效果、通过生成合成异常事件来扩充训练数据，同时将原始帧和对应的像素级异常地图一同重新构建，在三个基准测试上表现出优异的速度和精度。

Jun, 2023