我们提出了一种多尺度时空交互网络（MSTI-Net），采用基于注意力机制的时空融合模块（ASTM）代替直接融合，并注入多个 ASTM 基础的连接，以促进所有可能的空间时间交互，最终将在多个尺度上学习的正常信息记录在内存中，在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果，UCSD Ped2 的 AUC 值达到了 96.8％，CUHK Avenue 的 AUC 值达到了 87.6％，ShanghaiTech 数据集的 AUC 值达到了 73.9％。

Jun, 2023

本文探究了利用 Convolutional Neural Networks 和低水平的光流测量来检测视频中的局部异常点。研究结果表明，该方法比当前最先进的方法更为优秀。

Oct, 2016

该研究提出一种基于生成模型的视频异常检测方法，利用骨骼表示和扩散概率模型生成多模态人体姿势，并通过统计聚合的未来模态检测异常，其在四个基准测试中均取得优于现有技术的表现。

Jul, 2023

通过对 MC-VAD 相关研究论文的批判性评估和挑战性方面的重点突出，该综述总结了 MC-VAD 的主要研究领域，并提出了对应的数据集类型、异常检测方法和未来研究方向，为研究人员和从业者在 MC-VAD 领域的发展提供了有价值的参考。

Aug, 2023

提出了一种多模态方法，通过从视频中提取时间序列的信息来检测人群异常。使用模式识别算法和分割技术，在固定时间间隔内提取人数和图像占用的信息，然后通过时间分解和残差分析确定异常行为的间隔或特定情况，可用于相关领域如旅游或安全中的决策和改进。在西班牙 Valenciana 地区 Morella 镇的 Turisme Comunitat Valenciana 摄像头上应用了该方法，并取得了很好的结果，能够正确检测特定的异常情况和在 2023 年 10 月节日期间的异常总增加，同时保护个人隐私。

May, 2024

本文提出了一种利用条件扩散模型进行无监督视频异常检测的方法，使用预训练网络提取空间和时间特征，并结合能概括给定视频片段运动和外观的紧凑运动表示进行条件约束，采用数据驱动的阈值，将高重构误差视为异常事件的指标。实验表明，该方法在大规模视频异常检测数据集上的性能优于现有方法和基线方法。

Jul, 2023

该研究提出了一种新的两流对象感知 VAD 方法，通过图像转换任务学习正常的外观和动态模式，检测偏离学习正常模式的异常情况，并在三个数据集上表现有竞争力。

May, 2022

通过多任务协作的记忆增强框架（MAMTCF）来无监督地检测驾驶视频中的交通事故，同时对外观变化和目标运动建模，取得了比现有方法更好的性能。

Jul, 2023

视频异常检测（VAD）在现代监控系统中扮演着关键角色，旨在识别真实情境中的各种异常。然而，当前基准数据集主要强调简单的单帧异常，如新颖物体检测，这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中，我们主张扩展 VAD 研究，涵盖超越传统基准范围的复杂异常。为此，我们引入了两个数据集：HMDB-AD 和 HMDB-Violence，以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection（MFAD），它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征，如姿势估计和深度图像编码，以及双帧特征，如物体速度。然后，他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常，我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设，并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中，MFAD 表现出色。

Oct, 2023

该研究介绍了一个名为 MOVAD 的智能汽车实时系统，它利用只能捕捉器固定摄像头拍摄的视频进行信息提取和到不同时间段的信息关联来及时响应异常情况。该系统包含视频分析技术和短期记忆和长期记忆两个部分，能够在 DoTA 数据集的测试中取得比目前同类技术高 2.81 的准确率。

Feb, 2023