AAAIFeb, 2023

基于不确定性调控的双记忆单元弱监督视频异常检测

PDF
TL;DR提出使用 Uncertainty Regulated Dual Memory Units 模型及 Global and Local Multi-Head Self Attention 模块来强化通过建立正常状态的描述从而更好地区分异常数据的研究方法，该方法经过在 XD-Violence 和 UCF-Crime 数据集上的实验验证，效果明显优于目前的同类研究。
weakly supervised video anomaly detectiondiscriminative featuresuncertainty regulated dual memory unitsglobal and local multi-head self attentionabnormal and normal prototypes
发现论文，激发创造
  • DMAD：面向现实世界异常检测的双重内存库

    通过使用统一的模型，提出了一种名为 Dual Memory bank enhanced representation learning for Anomaly Detection (DMAD) 的新框架，该框架处理了无监督和半监督场景，通过双重存储器来计算正常和异常模式之间的特征距离和特征注意力，从而构建了用于异常分数学习的增强表示。通过在 MVTec-AD 和 VisA 数据集上的评估，结果表明 DMAD 超越了当前最先进的方法，突显了 DMAD 在处理复杂的实际异常检测场景中的能力。

    Mar, 2024

  • 基于卷积变换器和双重鉴别器的生成对抗网络，用于视频异常检测

    本文介绍了一种基于卷积变换器、双鉴别器生成对抗网络（CT-D2GAN）的非监督式视频异常检测方法，该方法在未来帧预测和对视频的局部和全局建模方面取得了显著的效果。

    Jul, 2021

  • 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

  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021

  • 学习记忆引导的正常性用于异常检测

    本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

    Mar, 2020

  • 通过正常性优势和自适应优化从未标记的视频中发现深度异常

    本论文提出了一种基于深度神经网络和自适应学习的视频异常检测方法，利用 “正常性优势” 和动态删除数据等技术，实现了优于传统监督学习的效果。

    Aug, 2021

  • 学习外观和动作的深度表示以进行异常事件检测

    通过深度神经网络及自动特征提取技术，提出了一种新的无监督深度学习框架，用于复杂视频场景中的异常事件检测，其中融合了传统早期融合和晚期融合策略，并结合多个一类支持向量机模型进行最终异常检测。

    Oct, 2015

  • 从事件提示中学习视频异常检测中的疑似异常

    提出了一种用于弱监督视频异常检测的新颖框架，通过计算潜在异常事件的文本提示词典与异常视频生成的字幕之间的语义异常相似性，标识每个视频片段的疑似异常事件，并通过多提示学习过程约束所有视频的视觉 - 语义特征，提供了一种为自训练标记伪异常的新方法。通过全面实验和详细消融研究，在四个数据集（XD-Violence、UCF-Crime、TAD、ShanghaiTech）上表现出优于大多数最先进方法的性能（82.6%，87.7%，93.1% 和 97.4%），并在开放集和跨数据集情况下展示了有希望的性能。

    Mar, 2024

  • 不确定性感知的多视角表示学习

    本研究提出了一种新的无监督多视图学习方法，DUA-Nets，通过估计数据不确定性并加权不同视图，以便更好地捕捉动态噪声和提高数据质量，实现了对多种噪声数据的鲁棒性性能提升。

    Jan, 2022

  • 基于记忆增强的在线视频异常检测

    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