Aug, 2019

多时间尺度轨迹预测用于异常人类活动检测

PDF
TL;DR提出了一种多时间尺度模型，以在不同时间尺度上捕获异常活动，并通过对不同时间尺度的输入姿势轨迹进行未来和过去预测来检测异常活动。
abnormal activity detectionmulti-timescale modeltemporal dynamicsanomalypose trajectory
发现论文，激发创造
  • 多尺度视频预训练用于长期活动预测

    基于多尺度视频预训练的自监督学习方法 (MVP) 在长期活动预测任务中表现出色，通过学习多个时间尺度上未来视频片段的上下文化表示来提高鲁棒性，相比现有方法，MVP 在视频摘要预测方面相对性能提升超过 20%。

    Jul, 2023

  • 多任务轨迹异常检测的整体表示学习

    视频异常检测中，除了视觉信号外，我们还应用了骨架序列。我们提出了一种完整的骨架轨迹表示方法，以学习不同时间段内预期的动作。我们使用多任务学习来重建轨迹的任何未观测连续时间段，从而实现过去或未来时间段的外推和插值。我们采用了端到端的基于注意力的编码器 - 解码器模型，并对轨迹进行编码，联合学习被时间遮挡的轨迹段的潜在表示，并根据不同时间段内的预期动作进行重建。在三个基于轨迹的视频异常检测数据集上进行的大量实验证明了我们方法的优势和有效性，并在骨架轨迹的异常检测中取得了最先进的结果。

    Nov, 2023

  • 多变量时间序列医疗数据上的有效异常活动检测

    多元时间序列数据在智能医疗场景中的异常活动检测具有潜在的准确性，但是异常模式多样且在时间序列中变得难以察觉。为了解决这个问题，我们提出了一种基于残差的异常检测方法 Rs-AD，用于有效的表示学习和异常活动检测。我们在真实步态数据集上评估我们的方案，并实验结果表明 F1 得分为 0.839。

    Sep, 2023

  • 追求时间准确性的通用活动检测

    本文提出了一种通用的框架，利用新颖的提案方案和级联分类管道从未修剪的视频中准确检测各种活动，超越了现有最先进方法在 THUMOS14 和 ActivityNet 数据集上的表现。

    Mar, 2017

  • 基于隐藏过程回归的多变量时间序列联合分割用于人体活动识别

    通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

    Dec, 2013

  • 动态时间金字塔网络：更深入地研究多尺度建模用于活动检测

    本文提出了 “动态时间金字塔网络”（DTPN）来解决活动检测领域中的主要挑战，包括如何有效应用多尺度架构以及如何处理活动实例的固有时间尺度变化。通过将多种新设计结合为统一网络，实现了单次推理和端到端训练，从而取得了状态的最佳性能。

    Aug, 2018

  • 异常检测的未来帧预测 —— 一个新的基准线

    该论文提出了一种在视频预测框架内解决异常检测问题的方法，利用预测未来画面与真实画面之间的差异来检测异常事件，并引入了空间和运动约束来促进正常事件的未来帧预测和识别不符合预期的异常事件。

    Dec, 2017

  • 分层深度时间模型用于群体活动识别

    本文针对视频序列中的团体活动行为分类问题，基于 LSTM 模型构建了一个 2 阶段的深度时间模型，同时考虑了个体和群体层面的动态信息，通过在排球视频数据集上的实验验证了该模型的有效性。

    Jul, 2016

  • 视频异常检测中的骨架轨迹规律学习

    提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

    Mar, 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