面向时间异常定位的基于一致性自监督学习
本文提出了一种弱监督异常定位方法,利用高阶上下文编码模型提取语义表示,度量动态变化并有效利用时间上下文,通过聚合动态变量和立即语义来获取最终的异常分数,并通过增强策略处理噪声干扰和异常检测中的定位指导缺失,同时收集了一组新的交通异常数据集(TAD),实验表明该方法在常见的异常检测基准测试集中实现了最新的最佳性能。
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
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
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
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
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
本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架,其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块, 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能,某些异常子类的检测准确率也得到了极大的提高。
Jun, 2023
提出了一种基于磁盘聚类的统一框架,它可以处理和结合不同类型的较低需求的弱监督,从视频中监测时空活动,并将其应用于训练设置中的不同类型的监督信号实验结果证明:该模型在 UC101-24 和 DALY 数据集上具有竞争性能,而且与之前的方法相比,使用的监督信号更少。
Jun, 2018
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
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