利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

Jul, 2020

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

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

本文介绍了一个名为 Street Scene 的大型多样化数据集和两个新的评估标准，旨在推动视频异常检测研究的进展。另外，我们提出了两个新的基准算法，证明它们在 Street Scene 数据集上比文献中现有的两个最先进的算法更准确。

Feb, 2019

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

本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

Apr, 2020

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

本篇论文探讨了基于深度神经网络的图像 / 视频异常检测方法，讨论了当前的挑战和未来的研究方向。

Mar, 2021

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

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