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

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

本文基于卷积神经网络、时间序列数据，提出了一种有效的视频异常检测与定位方法，通过实验结果表明该方法在准确性方面胜过现有方法。

Sep, 2016

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

本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

Mar, 2020

本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架，该框架结合了无监督、半监督和监督学习算法，同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。

Dec, 2022

通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

Nov, 2023

提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

May, 2018

本文探索基于胶囊神经网络的深度异常检测技术，开发了基于预测概率和重建误差的正常性评分函数来评估未见过图像的异常性，结果表明基于预测概率的方法表现出色，而基于重建误差的方法相对较敏感。

Jul, 2019

本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法，使用基于物体中心的卷积自编码器编码运动和外观信息，并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验，结果显示此方法超过现有技术的结果。

Dec, 2018