自训练深度序数回归用于端到端视频异常检测
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
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
本研究提出了一种基于深度神经网络的弱监督异常检测框架,采用视频级别的标签,通过使用时空视频特征的二元聚类来产生伪标签,从而减少异常视频标签中存在的噪声,实现更准确的异常检测。
Aug, 2020
本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法,结合多个代理任务进行学习,包括三个自监督任务和一个基于知识蒸馏的任务,并在三个基准测试中优于现有技术。
Nov, 2020
通过深度学习方法的视频异常检测(VAD)调查,本篇综述探索了传统监督训练范式之外的新兴弱监督、自监督和无监督方法,研究了 VAD 范式中的核心挑战,以及视觉语言模型(VLMs)作为强大的特征提取器在 VAD 中的作用,旨在增强复杂现实场景中异常检测的鲁棒性和效率,并填补现有知识差距,为研究人员提供有价值的见解,为 VAD 研究的未来贡献力量。
May, 2024
探讨关于面部分析和人类行为识别中视频分类的问题,提出了一种新颖的弱监督学习方法,通过模拟自动挖掘的明显子事件序列(例如 “微笑” 的起始和停止阶段,“跑步” 和 “跳跃”)来建模视频,将其扩展到顺序方面,从而在四个面部分析数据集和三个人类动作数据集上获得了一致改进。
Aug, 2016
通过回顾基于深度学习的视频异常检测的最新方法,基于模型类型和检测标准进行分类,并进行了简单的研究来了解不同的方法,并提供了时空异常检测的评估标准。
Jan, 2018
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