Aug, 2020

一种基于背景无关框架的对抗训练方法，用于视频异常事件检测

PDF
TL;DR该论文提出了一种背景无关框架来解决视频中异常事件检测的问题，该框架由对象检测器、外观和运动自编码器以及二进制分类器组成。通过对外部领域伪异常示例进行梯度上升和对外观和运动特征进行区分，并对四个基准数据集进行评估，该框架在所有数据集上均表现出优良性能。
abnormal event detectioncomputer visionoutlier detectionadversarial learningbinary classifiers
发现论文，激发创造
  • 视频异常事件检测的物体中心自编码器和虚假异常

    本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法，使用基于物体中心的卷积自编码器编码运动和外观信息，并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验，结果显示此方法超过现有技术的结果。

    Dec, 2018

  • 使用生成对抗网络在视频中检测异常事件

    在拥挤的场景中，利用生成对抗网络（GANs）解决异常检测问题。通过只使用正常数据对 GANs 进行训练，学习场景的正常表征，进而在测试时通过对比真实数据和 GANs 重构的外观和运动表征，并计算局部差异检测出异常区域，在帧级和像素级异常检测任务中实验结果表明，与现有技术相比，该方法具有显著的优势。

    Aug, 2017

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 学习外观 - 运动正常性，用于视频异常检测

    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

  • 利用时空自编码器检测视频中的异常事件

    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

  • 大规模视频异常检测的判别式框架

    本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

    Sep, 2016

  • 使用视频级标签的自我推理框架进行异常检测

    本研究提出了一种基于深度神经网络的弱监督异常检测框架，采用视频级别的标签，通过使用时空视频特征的二元聚类来产生伪标签，从而减少异常视频标签中存在的噪声，实现更准确的异常检测。

    Aug, 2020

  • 训练对抗判别器用于人群交叉通道异常事件检测

    本文提出使用 GAN 来进行视频监控中的异常行为检测，通过将原始数据与运动信息相互转化来避免生成器学习平凡的恒等函数，并且在标准基准测试中达到了比之前最先进方法更好的效果。

    Jun, 2017

  • 自监督与多任务学习在视频异常检测中的应用

    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

  • 利用聚类辅助异物检测视频的弱监督训练

    我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。

    Mar, 2022