本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架,其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块, 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能,某些异常子类的检测准确率也得到了极大的提高。
Jun, 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
通过多任务学习方法结合异构特征检测,我们提出了一种视频异常检测方法,综合考虑了运动和外观特征,其中包括语义分割和未来帧预测任务来学习目标类和一致的运动模式,同时添加了多种注意机制来检测运动反常,并优于现有方法。
Oct, 2022
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
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
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
通过深度神经网络及自动特征提取技术,提出了一种新的无监督深度学习框架,用于复杂视频场景中的异常事件检测,其中融合了传统早期融合和晚期融合策略,并结合多个一类支持向量机模型进行最终异常检测。
Oct, 2015
本文提出了一种三阶段管道模型,通过学习视频中的运动模式来检测视觉异常,并使用时间戳感知的异常检测算法将目标物体分类为异常,实验结果表明该方法能够有效检测交通路况视频中的时间戳感知异常。
Jun, 2019
该研究提出了一种新的两流对象感知 VAD 方法,通过图像转换任务学习正常的外观和动态模式,检测偏离学习正常模式的异常情况,并在三个数据集上表现有竞争力。
May, 2022
该论文提出了一种轻量级视频异常检测模型,通过采用自适应实例选择策略和轻量级多级时间相关注意力模块,减少了模型参数,提高了模型性能,可在资源受限的情况下进行广泛部署。
Oct, 2023