Sep, 2019

使用卷积 VRNN 进行未来帧预测的异常检测

PDF
TL;DR本研究提出了一种基于生成模型和 ConvLSTM 的新型顺序生成模型，用于预测未来视频帧，并在异常检测框架中考虑时间信息，实验表明，该方法在三个基准数据集上优于现有最先进方法。
anomaly detectionvideosgenerative modelsfuture frame predictionconvlstm
发现论文，激发创造
  • 单帧未来视频预测用于视频异常检测

    通过将初始和未来的原始帧替换为相应的语义分割地图，我们引入了从单帧进行未来视频预测的代理任务，以克服以往方法在学习更长动态模式方面的挑战，并展示了该方法在基准数据集上的有效性和优越性。

    Aug, 2023

  • 改进的条件性 VRNNs 用于视频预测

    本文提出了一种基于层次结构的潜变量模型来提高模型表达能力，减少模糊预测，用于视频序列的未来帧预测任务，经过实验证明本方法在不同数据集上优于现有的潜变量模型。

    Apr, 2019

  • 变分自编码器在视频视觉异常检测中的应用

    本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

    Mar, 2022

  • 基于卷积长短时记忆预测网络的视频异常检测

    通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

    Dec, 2016

  • 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

  • IT 运维序列预测与异常检测联合模型

    本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。

    Oct, 2019

  • 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

  • 基于卷积 LSTM 的未来语义分割

    本文提出了一种新的模型，使用 ConvLSTM 编码观察到的视频帧的时空信息来预测未观察到的未来帧的语义分割图，并扩展了双向 ConvLSTM 来捕获双向的时间信息，该方法在基准数据集上优于其他最先进的方法，为实时决策制定提供了可靠的解决方案。

    Jul, 2018

  • 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

  • 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