Nov, 2022

基于正则流模型的人体姿态异常检测

PDF
TL;DR本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。
video anomaly detectionhuman posenormalizing flows frameworkspatio-temporal graph convolution blocksanomaly detection benchmarks
发现论文，激发创造
  • 基于归一化流的概率单目三维人体姿态估计

    本文提出了一种基于正规化流的人体 3D 姿态恢复方法，采用多种假设生成可行的 3D 姿势的后验分布，并结合 2D 检测器的不确定性信息建模不确定探测和遮挡，其中学习出的 3D 姿态先验和最优 M 损失的推广是实现成功的关键因素，该方法在人体 3.6M 和 MPI-INF-3DHP 两个基准数据集上优于所有可比方法。

    Jul, 2021

  • 基于归一化流的弱监督 3D 人体姿态和形状重建

    本文提出了一种基于运动捕捉数据集和大规模图像和视频数据集的半监督和自监督学习方法，利用运动和不同 iable 的语义身体部位对齐损失函数进行训练，来精确地估计单眼三维人体姿态和形状。实验结果证明，该方法优于现有技术，可用于广泛的真实场景。

    Mar, 2020

  • HuManiFlow: 在 SO (3) 流形上，对祖先进行调整的正则化流，用于人类姿势和形状分布估计

    本文介绍了一种名为 HuManiFlow 的方法，利用概率分布和正规化流预测 3D 人体姿态和形状，同时具备准确性、一致性和多样性，解决了估计不明确的问题。

    May, 2023

  • FastFlow: 基于二维正则化流的无监督异常检测和定位

    本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

    Nov, 2021

  • 理解基于姿态的异常检测的挑战与机会

    本研究对两个视频异常数据集进行了分析和定量化，以更好地理解基于姿势的异常检测的困难之处，并探索了基于姿势和轨迹的区别能力以及基于上下文的有效性，从而加速更好性能、更具鲁棒性的模型的开发。

    Mar, 2023

  • 基于图嵌入的姿态聚类用于异常检测

    本论文提出使用基于人体姿态图的新型异常检测方法，并运用 Dirichlet 过程，将数据映射到潜在空间中，最终通过弱分类器，达到在广泛基准测试集上表现优异的结果。

    Dec, 2019

  • 使用全局和局部归一化的人体姿态估计

    本文解决了人体关节位置估计的问题，提出了基于卷积神经网络的空间姿态模型优化方法，包括人体细节归一化，肢体归一化，以及多尺度监督和融合。实验表明，该方法在基准测试中表现优于现有的最佳方法。

    Sep, 2017

  • 学习外观 - 运动正常性，用于视频异常检测

    本文提出了一种增强空间 - 时间记忆的双流自编码器框架，通过对抗学习，学习外观正常性和运动正常性，并探索空间和时间模式之间的相关性，在 UCSD Ped2 和 CUHK Avenue 数据集上，该框架的 AUC 分别为 98.1％和 89.8％，胜过最先进的方法。

    Jul, 2022

  • 人类运动学启发的基于骨架的视频异常检测

    在这篇论文中，我们介绍了一种名为 HKVAD（Human Kinematic-inspired Video Anomaly Detection）的新思路，通过显式利用人类运动特征来检测视频异常。我们还提出了一种利用骨架姿态的运动特征，并使用正态流模型来估计密度并检测异常的方法。在两个具有挑战性的公共数据集上进行实验证明了我们方法的有效性和潜力。

    Sep, 2023

  • 视频异常检测中的骨架轨迹规律学习

    提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

    Mar, 2019