通过多任务学习方法结合异构特征检测，我们提出了一种视频异常检测方法，综合考虑了运动和外观特征，其中包括语义分割和未来帧预测任务来学习目标类和一致的运动模式，同时添加了多种注意机制来检测运动反常，并优于现有方法。

Oct, 2022

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

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

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

通过将多个骨干模型的聚合表示进行知识蒸馏，我们提出了一种相对简单的模型，达到了最先进的性能。我们的方法在多个基准数据集上取得了显著提高，尤其是在 UCF-Crime、ShanghaiTech 和 XD-Violence 数据集上，分别实现了 1.36％、0.78％和 7.02％的显著改进。

Jun, 2024

本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

Mar, 2020

本文针对弱监督异常检测进行研究，利用自监督学习策略，通过对同一视频序列数据进行不同变换来使模型获得相同的分数，并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。

Aug, 2022

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

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