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

本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

Aug, 2019

通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

Nov, 2018

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

基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

Oct, 2022

该论文提出了一种新颖的深度生成模型，采用变分自动编码器架构，利用卷积编码器和解码器从空间和时间维度提取特征，结合注意力机制增强相关特征的表示，改进异常检测准确性，并在安全水处理测试平台的六个阶段进行了全面的实验分析，实验结果表明该方法相比多个先进的基准技术具有更好的性能。

May, 2024

创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

Apr, 2024

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

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

我们研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计，以及原始图像和重建图像的恢复版本之间的错误的性能，我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较。

Jul, 2023