外观 - 运动对应关系视频序列异常检测

ICCVAug, 2019

外观 - 运动对应关系视频序列异常检测

Anomaly Detection in Video Sequence with Appearance-Motion Correspondence

Trong Nguyen Nguyen, Jean Meunier

TL;DR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。

Abstract

anomaly detection in surveillance videos is currently a challenge because of the diversity of possible events. We propose a deep convolutional neural network (CNN) that addresses this problem by learning a corres

anomaly detection surveillance videos deep convolutional neural network motion detection frame-level scores

发现论文，激发创造

混合深度网络用于异常检测

本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

Aug, 2019

插拔式卷积神经网络用于人群运动分析：异常事件检测应用

本文探究了利用 Convolutional Neural Networks 和低水平的光流测量来检测视频中的局部异常点。研究结果表明，该方法比当前最先进的方法更为优秀。

Oct, 2016

学习外观和动作的深度表示以进行异常事件检测

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

使用相关网络的视频建模

该文提出了一种基于可学习相关算子的替代方法，用于在视频中识别动作，并成功地应用在行为识别的多个数据集上，表现比流行的二元网络更加出色并且速度更快。

Jun, 2019

利用时空自编码器检测视频中的异常事件

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

学习记忆引导的正常性用于异常检测

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

卷积自编码器在视频异常检测中的深度学习方法

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

学习外观 - 运动正常性，用于视频异常检测

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

基于图像转换的目标类感知视频异常检测

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

多路径帧预测的稳健无监督视频异常检测

提出了一种基于帧预测的视频异常检测方法，该方法采用了 Multi-path ConvGRU 网络以更好地处理语义信息对象和不同尺度的区域，并在训练期间引入了噪声容忍损失来减轻背景噪声造成的干扰，经过对 CUHK Avenue、ShanghaiTech Campus 和 UCSD Pedestrian 数据集进行了广泛的实验，并获得了比现有技术方法更好的表现，尤其是在 CUHK Avenue 数据集上，获得了 88.3％的帧级 AUROC 分数。

Nov, 2020