Nov, 2020

多路径帧预测的稳健无监督视频异常检测

PDF
TL;DR提出了一种基于帧预测的视频异常检测方法，该方法采用了 Multi-path ConvGRU 网络以更好地处理语义信息对象和不同尺度的区域，并在训练期间引入了噪声容忍损失来减轻背景噪声造成的干扰，经过对 CUHK Avenue、ShanghaiTech Campus 和 UCSD Pedestrian 数据集进行了广泛的实验，并获得了比现有技术方法更好的表现，尤其是在 CUHK Avenue 数据集上，获得了 88.3％的帧级 AUROC 分数。
video anomaly detectionframe predictionconvgrusurveillance videosunsupervised
发现论文，激发创造
  • 单帧未来视频预测用于视频异常检测

    通过将初始和未来的原始帧替换为相应的语义分割地图，我们引入了从单帧进行未来视频预测的代理任务，以克服以往方法在学习更长动态模式方面的挑战，并展示了该方法在基准数据集上的有效性和优越性。

    Aug, 2023

  • 异常检测的未来帧预测 —— 一个新的基准线

    该论文提出了一种在视频预测框架内解决异常检测问题的方法，利用预测未来画面与真实画面之间的差异来检测异常事件，并引入了空间和运动约束来促进正常事件的未来帧预测和识别不符合预期的异常事件。

    Dec, 2017

  • 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

  • 卷积自编码器在视频异常检测中的深度学习方法

    我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

    Nov, 2023

  • 通过中心引导的判别学习实现弱监督视频异常检测

    该论文提出了一种基于弱监督学习的异常检测框架 AR-Net，并通过动态多实例学习和中心损失设计了具有较强鉴别特征的回归模型，实现了对监控视频异常的检测，并在 ShanghaiTech 数据集上取得了最新的最好成果。

    Apr, 2021

  • 使用卷积 VRNN 进行未来帧预测的异常检测

    本研究提出了一种基于生成模型和 ConvLSTM 的新型顺序生成模型，用于预测未来视频帧，并在异常检测框架中考虑时间信息，实验表明，该方法在三个基准数据集上优于现有最先进方法。

    Sep, 2019

  • 一种基于弱监督和自适应实例选择的轻量级视频异常检测模型

    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

  • 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

  • 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

  • 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