设计了一种基于空时分层结构的可配置网络体系结构，并利用具有不同能力的基于自编码器的块获得正常模式，通过不断叠加和连接这些块，学习了分层的正常模式，适应了不同的检测需求和各种复杂程度的异常时，通过在三个基准测试中进行实验，并进行了广泛分析，结果表明我们的方法与最先进的方法相当。

May, 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

提出了一种新的对比学习框架 HCSC，可以通过构建并动态更新一组层次结构原型来表征图片数据中的层次语义结构，并且通过一种精心设计的对对选择方案来让图像表示更好地适应这些语义结构。在广泛的下游任务中，证明了 HCSC 优于现有对比方法，其重要模型组件的有效性通过大量的分析研究得到证明。

Feb, 2022

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

本文提出了一种密集的语义对比学习框架，用于多颗粒度表示学习，以模拟语义类别决策边界以满足下游的密集预测任务，实验证明我们的模型优于现有的方法，包括目标检测、语义分割和实例分割。

Sep, 2021

提出一种新的自监督视频表示学习技术，通过将学习目标分解为两个对比子任务并分层进行，强调空间和时间特征，从而鼓励多尺度理解。通过实验表明，可以将增强作为规则化进行操作来指导网络在对比学习中学习所需的语义，并提出一种方式，使模型可以在多个尺度上分别捕捉空间和时间特征。还介绍了一种克服不同层次上实例不变性差异的方法。将代码公开。

Nov, 2020

这篇论文提出了一种能够利用预训练的大型模型来检测和分类已知和未知异常的开放词汇视频异常检测方法，并通过引入语义知识和合成异常来提高模型的性能。

Nov, 2023

本文介绍了一种利用重建模型的潜在空间，结合重新编码机制和语义一致性限制的 Novelty Detection 算法，分为正常、异常和不确定语义区域，并提出了三种训练模式。 实验结果表明，该算法在多个数据集上优于其他算法，达到了当前最先进水平。

May, 2023

本文提出了一种新的深度学习方法来处理基于视频的场景分类问题，使用 HDDM 模型，通过异构无监督预训练和 SCSP 来解决存储问题，并使用加权投票策略进行分类，实验结果表明该方法在所有数据集上都实现了卓越的性能。

Jul, 2018

利用交互式大型视觉语言模型（VLM）解释视频异常以及改进动作模态以提高异常识别能力的 Hawk 框架在视频描述生成和问题回答方面超过了现有基准，实现了最先进的性能。

May, 2024