本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

Sep, 2016

该论文提出了一种在视频预测框架内解决异常检测问题的方法，利用预测未来画面与真实画面之间的差异来检测异常事件，并引入了空间和运动约束来促进正常事件的未来帧预测和识别不符合预期的异常事件。

Dec, 2017

提出了一种基于帧预测的视频异常检测方法，该方法采用了 Multi-path ConvGRU 网络以更好地处理语义信息对象和不同尺度的区域，并在训练期间引入了噪声容忍损失来减轻背景噪声造成的干扰，经过对 CUHK Avenue、ShanghaiTech Campus 和 UCSD Pedestrian 数据集进行了广泛的实验，并获得了比现有技术方法更好的表现，尤其是在 CUHK Avenue 数据集上，获得了 88.3％的帧级 AUROC 分数。

Nov, 2020

本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

Apr, 2020

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

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

该论文提出了一种背景无关框架来解决视频中异常事件检测的问题，该框架由对象检测器、外观和运动自编码器以及二进制分类器组成。通过对外部领域伪异常示例进行梯度上升和对外观和运动特征进行区分，并对四个基准数据集进行评估，该框架在所有数据集上均表现出优良性能。

Aug, 2020

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

本研究提出了一种基于转移学习和连续学习的在线异常检测方法，利用神经网络模型的特征提取能力和统计检测方法的连续学习能力，显著减少了训练复杂度，并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制，可应用于监控视频领域。

Apr, 2020

本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

Apr, 2021