针对行车记录仪视频的异常检测
本文提出了一种基于未监督学习的方法,通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明,该方法优于最先进的方法。
Mar, 2019
本文提出了一种高效的边缘设备上运行的视频异常检测系统,包括变化检测、背景建模和目标检测模块以及回溯异常检测算法,同时还提出了一种顺序变化检测算法。实验结果表明,该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。
Apr, 2021
本文提出了一种对比学习方法,通过一套视频基准测试集 (DAD dataset) 实现区分正常驾驶与异常行为,进而解决驾驶人员相关事故问题。该方法在 DAD 数据集上取得了 0.9673 的 AUC,显示对比学习方法在异常检测任务中的高效性。
Sep, 2020
通过使用合成数据,我们提供了第一个用于自动驾驶的视频异常分割数据集,其中包含 7 个不同城镇记录的 120,000 帧高分辨率图像,我们还提供了最新的监督和无监督的道路异常分割方法的基准测试,并专注于两个新的度量标准:时间一致性和延迟感知的流式准确性。
Jan, 2024
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
我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略,通过对最先进的 DenseHybrid 模型的训练阶段进行修改,我们实现了显著的异常检测性能提升。此外,我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果,而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。
Aug, 2023
本文提出一种决策树驱动的深度学习方法,通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间,并通过实验验证取得了 F1 score:0.8571 和 S4 score:0.5686。
Apr, 2021
本研究通过预处理、动态跟踪模块和后处理等环节,提出了一种简单而高效的交通异常检测方案,该方案使用视频稳定、背景建模和车辆检测等技术,能够快速精准地识别出交通异常点,在 NVIDIA AI CITY 2021 排行榜中名列第一。
May, 2021
该研究论文提出了一种面向长期监控场景的上下文感知视频异常检测算法 Trinity,该算法适用于拥挤场景,其中个体难以跟踪,异常是由速度、方向或群体运动缺失引起的。通过对上下文、外观和动作之间的对齐质量进行学习,Trinity 使用对齐质量来将视频分类为正常或异常,该算法在传统基准和我们收集的覆盖超过三个月的公共网络摄像头数据集上进行了评估。
Apr, 2024
通过对 MC-VAD 相关研究论文的批判性评估和挑战性方面的重点突出,该综述总结了 MC-VAD 的主要研究领域,并提出了对应的数据集类型、异常检测方法和未来研究方向,为研究人员和从业者在 MC-VAD 领域的发展提供了有价值的参考。
Aug, 2023