CHAD: Charlotte 异常数据集
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
通过构建包含各种姿势的多姿态异常检测数据集(MAD)和提出专门设计用于姿态无关异常检测的新方法 OmniposeAD,该论文解决了机器视觉领域中物体异常检测中的两个重要挑战,并提供了开放源代码基准库以促进未来在该领域的研究和应用。
Oct, 2023
该研究提出了一个新的综合数据集 NWPU Campus,它是目前最大的半监督视频异常检测数据集之一,被用于同时检测和预测异常事件,该方法在多个数据集上都实现了最先进的性能。
May, 2023
我们提出了情景适应性异常检测(SA2D)方法,利用少样本学习框架对预训练模型进行快速适应新概念。为了解决数据集的缺乏问题,我们引入了多情景异常检测(MSAD)数据集,包括从各种摄像机角度捕获的 14 个不同情景,背景中包含挑战性的变化。通过实验证明了 SA2D 的有效性,尤其是在 MSAD 数据集上进行训练。这突出了我们的方法在检测不同和不断发展的监控情景中的异常的挑战中的潜力。
Feb, 2024
通过将初始和未来的原始帧替换为相应的语义分割地图,我们引入了从单帧进行未来视频预测的代理任务,以克服以往方法在学习更长动态模式方面的挑战,并展示了该方法在基准数据集上的有效性和优越性。
Aug, 2023
通过使用预先训练的潜在扩散模型修复被屏蔽区域图像,并进一步通过混合来扰动光流以产生时间空间扭曲,提出了一种新的生成通用时空伪异常的方法。此外,通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架,在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验,证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性,通过识别伪异常从而发现现实世界的异常提供了有价值的见解。
Nov, 2023
该研究论文提出了一种面向长期监控场景的上下文感知视频异常检测算法 Trinity,该算法适用于拥挤场景,其中个体难以跟踪,异常是由速度、方向或群体运动缺失引起的。通过对上下文、外观和动作之间的对齐质量进行学习,Trinity 使用对齐质量来将视频分类为正常或异常,该算法在传统基准和我们收集的覆盖超过三个月的公共网络摄像头数据集上进行了评估。
Apr, 2024
本文提出了一种对比学习方法,通过一套视频基准测试集 (DAD dataset) 实现区分正常驾驶与异常行为,进而解决驾驶人员相关事故问题。该方法在 DAD 数据集上取得了 0.9673 的 AUC,显示对比学习方法在异常检测任务中的高效性。
Sep, 2020
本文提出了一个用于交通事故分析的新数据集,并在数据分析中发现了由于场景中物体大小和复杂性而导致的行人类别目标检测下降。综合新的 Context Mining 和 Augmented Context Mining 算法,提出了一种用于解决小行人检测问题的检测算法。并在该数据集上使用 Faster R-CNN 和 Accident LSTM 架构进行了交通事故的预测,平均时间到事故已达 1.684 秒,平均精度为 47.25%。
Sep, 2018
自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集,并提出了一种基于分割的异常检测器,其在该数据集上表现出先进性能。
May, 2024