变分自编码器在视频视觉异常检测中的应用
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
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
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
本文探讨了如何使用变分贝叶斯和变分自编码器(VAEs)进行异常检测(AD)任务,提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机(LHC)实验的触发系统等应用中表现出卓越的性能。
Oct, 2020
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
提出了一种部分有监督的深度学习方法,用于视频异常检测和定位,其中使用的仅为正常样本,并且该方法基于使用深度学习训练的高斯混合模型,可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像,同时使用出现和运动异常构建了一个双流网络框架,并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验,结果表明,与现有技术相比,该方法具有卓越的性能。
May, 2018
本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型,该模型不仅在像素空间中重构输入图像,而且还在多个不同的特征空间中进行重构,通过对先前训练的卷积神经网络进行计算,对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。
Aug, 2020
提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案,其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法,实验证明它具有比现有方法更好的性能。
Jul, 2019
自动驾驶领域的异常是自动驾驶车辆大规模部署的主要障碍。本研究聚焦于包含各种类型和尺寸的异常的城市场景的高分辨率摄像头数据。基于变分自动编码器,我们将其潜在空间设为条件,将样本分类为正常数据或异常数据。为了特别强调小的异常,我们进行了实验,在额外的输入中提供了差异图,并评估其对检测性能的影响。我们的方法将正常数据和异常数据分离到孤立的聚类中,同时还能重构高质量的图像,从而产生有意义的潜在表示。
Sep, 2023
本研究提出了一种基于深度学习自编码器的未监督学习方法,结合了重构与密度计算的异常得分方法,成功地应用于医学影像的异常检测,并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。
Dec, 2018