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

该研究探讨了在连续学习背景下像素级异常检测的问题，实现了多种先进技术，并使用真实世界的图像数据集验证了这些方法在连续学习环境中的适用性。

Mar, 2024

本篇研究提出了一个连续审计的异常检测框架，利用人工智能和深度学习技术，不断从会计记录数据流中学习，克服常规审计的不足之处，并在模拟的审计情景和真实数据集上测试，结果表明该框架可显著减少误判和漏判。

Dec, 2021

本文探讨了如何构建面向终身异常检测的基础，提出了终身学习面临的挑战和机遇，明确了终身异常检测的重要性，并提出了一种情景生成方法以进行实验

Mar, 2023

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

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

这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法，将异常检测问题视为监督回归问题，并使用两个可分离连续值分布来标记正常和异常的数据，通过图像增强技术创造出一个独特的异常样本集，并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。

Jul, 2022

本文提出了一种在监控视频中进行在线异常检测的算法，它利用多目标深度学习模块和统计异常检测模块相结合的方法，通过渐近界限来控制误报率，从而提供了一种清晰的步骤，以选择满足所需误报率的适当决策阈值，并在多个公开数据集上取得了超越最先进算法的效果。

Oct, 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

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