Oct, 2020

具有虚警率渐近界限的监控视频在线异常检测

PDF
TL;DR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。
anomaly detectionsurveillance videosonline decision makingneural network architecturesfalse alarm rate
发现论文，激发创造
  • 监控视频中的任意时序异常检测

    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

  • 监控视频异常检测的持续学习

    本研究提出了一种基于转移学习和连续学习的在线异常检测方法，利用神经网络模型的特征提取能力和统计检测方法的连续学习能力，显著减少了训练复杂度，并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制，可应用于监控视频领域。

    Apr, 2020

  • 监控视频中的现实世界异常检测

    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

  • 交通视频异常检测的高效方法

    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

  • 通过深度特征统计建模降低视频监控中的误报

    通过基于深度特征的高维统计建模，以减少虚假报警的数量，提出了一种方法不可知的弱监督的 a-contrario 验证过程，并结合像素和对象级别的评估指标对六种方法和多个数据集中的序列进行了评估，实验证明该方法能够显著减少像素和对象级别上的虚假报警。

    Jul, 2023

  • 在线异常检测器的元层分析

    本文提供了对不同算法家族的主要在线探测器的质量、综合概述，包括构建、更新和测试探测模型的主要思想，并提供了在线检测算法与离线对应算法的结果定量实验评估的彻底分析，以及对数据集（即元特征）的各种特征进行统计分析。

    Sep, 2022

  • 基于深度学习和决策树的交通异常检测视觉系统

    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

  • 动态过程限制的实时离群值检测

    本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

    Jan, 2023

  • 望向相邻帧：无需离线训练的视频异常检测

    该研究提出了一种基于多层感知器和增量学习者的在线视频异常事件检测方案，并在基准数据集上表现良好。

    Jul, 2022

  • 评估野外视频异常检测的有效性：面向实际部署的在线学习和推断

    通过在线学习框架，本研究评估了当前视频异常检测算法在现实环境中的适应性，特别是基于姿势分析的算法，在效率和隐私方面具备优势。研究发现，在最具挑战性的情况下，我们的在线学习方法使模型在特定目标领域中保持了 89.39% 的原始有效性。

    Apr, 2024