CLAWS: 利用聚类辅助弱监督学习和正常行为抑制进行异常事件检测

ECCVNov, 2020

CLAWS: 利用聚类辅助弱监督学习和正常行为抑制进行异常事件检测

CLAWS: Clustering Assisted Weakly Supervised Learning with Normalcy Suppression for Anomalous Event Detection

Muhammad Zaigham Zaheer, Arif Mahmood, Marcella Astrid, Seung-Ik Lee

TL;DR本文提出了一种弱监督异常检测方法，该方法包括基于随机批量的训练过程、正常状态抑制机制、聚类距离损失等贡献，其中通过将模型生成的不同的正常和异常聚类，降低标签噪音并生成更好的异常表示。该方法在 UCF Crime 和 ShanghaiTech 数据集上获得了 83.03% 和 89.67% 的逐帧 AUC 性能，证明了其优于现有先进算法的优越性。

Abstract

Learning to detect real-world anomalous events through video-level labels is a challenging task due to the rare occurrence of anomalies as well as noise in the labels. In this work, we propose a weakly supervised anomaly detection method which has manifold contributions including1) a r

anomaly detection weakly supervised learning random batch training normalcy suppression clustering distance loss

发现论文，激发创造

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

通过聚类清洗标签噪声以实现最小监督异常检测

本文提出了一种利用二进制聚类方法的弱监督异常事件检测方法，在 UCF-crime 和 ShanghaiTech 两个数据集上展示了比现有算法更优异的 78.27％和 84.16％的帧级 AUC。

Apr, 2021

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

基于片段异常关注的弱监督视频异常检测

通过提出基于异常注意力的弱监督异常检测方法，该研究在涉及未剪辑视频中的异常事件方面表明了提取关键特征的有效性，并通过多分支监督模块进一步优化视频的异常检测和定位。

Sep, 2023

使用缩小的正常性聚类检测视频中的异常事件

该研究旨在解决异常事件检测问题，提出了一种基于 k-means 聚类和支持向量机的两阶段算法来消除异常点，并使用预训练神经网络的最后一层卷积层提取深度外观特征来增强时空立方体。通过在仅包含正常事件的训练视频中提取运动和外观特征并应用 k-means 聚类来发现代表不同类型的正常运动和外观特征的簇，然后训练每个簇上的一类支持向量机模型来缩小剩余簇的边界，最后通过分析每个测试样本对应的训练好的支持向量机模型的最大正常度量去判断测试样本是否异常。该方法在三个基准数据集上与多种现有方法进行了比较，实验结果表明，该异常事件检测框架在大多数情况下可以获得更好的结果，并以每秒 24 帧的速度在单个 CPU 上实时处理测试视频。

Jan, 2018

无监督视频异常检测的生成协作学习

本文提出了一种基于 Generative Cooperative Learning 方法的无监督视频异常检测方法，该方法利用了异常出现频率低的特点，通过生成器和判别器之间的交叉监督实现网络的协同训练，实现了无监督学习。在 UCF crime 和 ShanghaiTech 两个大规模视频异常检测数据集上的实验表明，相较于现有的无监督和 one-class 分类方法，在性能上得到了一致的提高。

Mar, 2022

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

面向时间异常定位的基于一致性自监督学习

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

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

从事件提示中学习视频异常检测中的疑似异常

提出了一种用于弱监督视频异常检测的新颖框架，通过计算潜在异常事件的文本提示词典与异常视频生成的字幕之间的语义异常相似性，标识每个视频片段的疑似异常事件，并通过多提示学习过程约束所有视频的视觉 - 语义特征，提供了一种为自训练标记伪异常的新方法。通过全面实验和详细消融研究，在四个数据集（XD-Violence、UCF-Crime、TAD、ShanghaiTech）上表现出优于大多数最先进方法的性能（82.6%，87.7%，93.1% 和 97.4%），并在开放集和跨数据集情况下展示了有希望的性能。

Mar, 2024