CVPRApr, 2021

通过聚类清洗标签噪声以实现最小监督异常检测

PDF
TL;DR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。
anomalous eventsweakly supervised learningbinary clusteringframe-level aucvideo-level annotations
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

  • 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

    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。

    Nov, 2020

  • 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

  • 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

  • 图卷积标签噪声清除器：训练即插即用的动作分类器以用于异常检测

    本文提出一种基于嘈杂标签下的监督学习方法，使用图卷积网络来清除标签噪声并提供正确的监督信息，以直接使用全监督方法来应用于弱监督异常检测，取得了较好的效果。

    Mar, 2019

  • 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

  • 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

  • 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

  • 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

  • 一种粗到细的伪标签（C2FPL）框架用于无监督视频异常检测

    提出了一种简单但有效的两阶段伪标签生成框架，用于训练一个监督方式下的区段级异常检测器，以识别视频中的异常事件。

    Oct, 2023