交通视频中时间戳感知异常检测的挑战
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
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
本文提出了一种基于未监督学习的方法,通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明,该方法优于最先进的方法。
Mar, 2019
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
基于 TTHF 的交通异常检测方法通过视频和文本对齐,提供了一种新的视角;同时,通过在时间域中建模驾驶视频的高频部分,增强了驾驶场景的感知,并显著提高了交通异常的检测效果。
Jan, 2024
通过提出一种时间性增强的网络模型,学习一种能感知运动的特征,并通过多示例学习进行分类,从而在 UCF Crime 数据集上显著超越以往方法,在视频反常检测和异常行为识别任务上取得了较好的表现。
Jul, 2019
本文提出一种决策树驱动的深度学习方法,通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间,并通过实验验证取得了 F1 score:0.8571 和 S4 score:0.5686。
Apr, 2021
本篇论文通过计算机视觉建立车辆跟踪模型,用于检测高速公路上的交通异常,并提出了检测、跟踪和分析交通的步骤,具体包括从城市交通视频中检测车辆、使用双分图和凸包算法进行车辆跟踪,以及使用两种数据结构检测异常的起点和终点。实验结果显示该方法在 Track4 测试集上表现可接受,F1 分数为 85.7%,均方误差为 25.432。
Oct, 2023
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
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