CVPRMar, 2022

无监督视频异常检测的生成协作学习

PDF
TL;DR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。
unsupervised video anomaly detectionone-class classificationgenerative cooperative learningcross-supervisionlarge-scale video anomaly detection
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

  • 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

  • 自监督与多任务学习在视频异常检测中的应用

    本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法，结合多个代理任务进行学习，包括三个自监督任务和一个基于知识蒸馏的任务，并在三个基准测试中优于现有技术。

    Nov, 2020

  • 协作学习的隐私异常检测 (CLAP)：一种新的无监督视频异常检测基准

    该研究提出了一种全新的基线异常检测方法，能够在复杂的监控视频中以完全无监督的方式定位异常事件，且在隐私保护的参与者分布式训练配置下进行。此外，还提出了三种新的评估协议，对各种协作和数据可用性场景下的异常检测方法进行基准测试，并在两个大规模数据集（包括 UCF-Crime 和 XD-Violence）上广泛评估了该方法以及现有的无监督自标记方法。

    Apr, 2024

  • 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

  • 基于深度学习的无监督和半监督视频异常检测方法概述

    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

  • 使用生成对抗网络进行无监督异常检测以引导标志物发现

    运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

    Mar, 2017

  • 弱监督视频异常检测的聚合知识蒸馏

    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