基于合成时序异常指导的端到端视频异常检测
本文提出了一种新的方法,通过训练自编码器(AE)模型重建正常数据,并使用生成的伪异常数据模拟数据分布,以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。
Oct, 2021
通过引入一种新的潜变量约束损失来限制自动编码器的重构能力,本研究在不增加额外计算成本的情况下,提出了一种有效的限制异常重构能力的自动编码器的方法,从而提高异常检测模型的性能。
Mar, 2024
通过使用预先训练的潜在扩散模型修复被屏蔽区域图像,并进一步通过混合来扰动光流以产生时间空间扭曲,提出了一种新的生成通用时空伪异常的方法。此外,通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架,在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验,证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性,通过识别伪异常从而发现现实世界的异常提供了有价值的见解。
Nov, 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
利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念,并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。
Mar, 2024
本研究提出了一种基于轻量级掩蔽自编码器的高效异常事件检测模型,它能够利用运动梯度进行权重计算、结合师生解码器来提高检测效果、通过生成合成异常事件来扩充训练数据,同时将原始帧和对应的像素级异常地图一同重新构建,在三个基准测试上表现出优异的速度和精度。
Jun, 2023
无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器(Patch AE)框架,旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构,即分块重构,确保了自编码器对异常的敏感性。我们的方法简单高效,在 Mvtec AD 基准方面取得了最新的研究成果,证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。
Aug, 2023
本文提出了一种增强空间 - 时间记忆的双流自编码器框架,通过对抗学习,学习外观正常性和运动正常性,并探索空间和时间模式之间的相关性,在 UCSD Ped2 和 CUHK Avenue 数据集上,该框架的 AUC 分别为 98.1%和 89.8%,胜过最先进的方法。
Jul, 2022
我们提出了一种有效的方法来检测视频中的异常,该方法利用卷积神经网络的卷积层进行物体识别和识别,其中包括两个主要组件,一个用于空间特征表示,以及一个用于学习空间特征的时间演变。实验结果表明,我们的方法的检测准确性与最先进的方法相当,速度高达 140 帧 / 秒。
Jan, 2017