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
该研究解决了视频中异常事件的联合检测和记述问题,通过整合通用 CNN 模型和环境相关的异常检测器,该方法可用于检测和记述异常事件,并在 Avenue 和 UCSD Ped2 基准测试中表现优异。
Sep, 2017
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
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
本文提出了一种基于相似性度量将深度卷积神经网络作为特征提取器用于异常检测的迁移学习框架,并通过对工作点决策阈值的优化来提高检测准确率。
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
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。
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
本文提出了一种在组织病理学图像中进行异常检测的系统,该系统使用单类分类器、预训练的卷积神经网络和一个辅助任务进行训练,并用于药物毒性评估,结果优于已有的方法。
Oct, 2022
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