Feb, 2019

街景场景：视频异常检测的新数据集和评估协议

PDF
TL;DR本文介绍了一个名为 Street Scene 的大型多样化数据集和两个新的评估标准，旨在推动视频异常检测研究的进展。另外，我们提出了两个新的基准算法，证明它们在 Street Scene 数据集上比文献中现有的两个最先进的算法更准确。
video anomaly detectiondatasetsevaluation criteriastreet scene datasetbaseline algorithm
发现论文，激发创造
  • 单场景视频异常检测调查

    本论文总结了单一场景视频流异常检测的研究动向，包括问题表述、公开数据集、评估标准、算法比较和最佳实践，并提出未来研究的可能方向。

    Apr, 2020

  • 交通视频异常检测的高效方法

    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

  • 视频中的延迟感知道路异常分割：一个逼真的数据集和新的度量指标

    通过使用合成数据，我们提供了第一个用于自动驾驶的视频异常分割数据集，其中包含 7 个不同城镇记录的 120,000 帧高分辨率图像，我们还提供了最新的监督和无监督的道路异常分割方法的基准测试，并专注于两个新的度量标准：时间一致性和延迟感知的流式准确性。

    Jan, 2024

  • 城市景观语义理解数据集

    为解决现有数据集不能很好地捕捉真实城市场景的复杂性，我们引入了 Cityscapes—— 一个基准套件和大规模数据集，用于像素级和实例级语义标注的方法的训练和测试。

    Apr, 2016

  • 半监督视频异常检测和预测的新综合基准

    该研究提出了一个新的综合数据集 NWPU Campus，它是目前最大的半监督视频异常检测数据集之一，被用于同时检测和预测异常事件，该方法在多个数据集上都实现了最先进的性能。

    May, 2023

  • D$^2$-City: 一个大规模的行车记录仪视频数据集，包含多种交通场景

    我们提出了 D$^2$-City，这是滴滴平台上车辆收集的大规模综合的行车记录仪视频的收集，包含超过 10000 个视频片段，提供了 12 种对象类别的边界框和跟踪注释，并在其余视频的关键帧上提供检测注释，预计该数据集将推动智能驾驶感知和相关领域的发展。

    Apr, 2019

  • 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

  • 交通异常检测的良好实践和强基准线

    本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。

    May, 2021

  • 动态交通场景的时空一致性分类

    本文介绍了一种面临道路运动相机拍摄时空视角变化而实现动态交通场景分类的解决方案，包括创建了 80 小时的数据集和使用语义上下文和时间性的新型算法开发了一种道路场景动态分类系统，可以帮助理解驾驶员的驾驶行为。

    May, 2019

  • 上下文感知的长期数据集视频异常检测

    该研究论文提出了一种面向长期监控场景的上下文感知视频异常检测算法 Trinity，该算法适用于拥挤场景，其中个体难以跟踪，异常是由速度、方向或群体运动缺失引起的。通过对上下文、外观和动作之间的对齐质量进行学习，Trinity 使用对齐质量来将视频分类为正常或异常，该算法在传统基准和我们收集的覆盖超过三个月的公共网络摄像头数据集上进行了评估。

    Apr, 2024