Few-shot 场景自适应异常检测
该论文提出了一种轻量级视频异常检测模型,通过采用自适应实例选择策略和轻量级多级时间相关注意力模块,减少了模型参数,提高了模型性能,可在资源受限的情况下进行广泛部署。
Oct, 2023
本文提出了一种利用学习 - 学习范式来解决在很少的标注数据的情况下,如何将人群计数模型适应到特定场景的问题,通过模型参数的快速适应实现了从训练到测试的闭环,实验结果表明该方法优于其他替代方案。
Feb, 2020
该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术,提出了一种少样本在线异常检测和分割的框架,通过利用包含正常和异常样本的无标签数据来提高模型性能,使用神经气体网络对正常图像的特征分布进行建模,采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示,同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明,该方法在 FOADS 设置下能够取得显著的性能,并确保时间复杂度在可接受范围内。
Mar, 2024
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
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
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
本文提出一种少样本异常检测方法,通过注册任务作为代理任务,训练一个通用的无类别模型来检测输入图像是否为异常,并在大型基准测试中实现了优于现有方法 3%-8%的表现。
Jul, 2022