基于点空间和时间自编码器的点云视频异常检测
我们提出了一种有效的方法来检测视频中的异常,该方法利用卷积神经网络的卷积层进行物体识别和识别,其中包括两个主要组件,一个用于空间特征表示,以及一个用于学习空间特征的时间演变。实验结果表明,我们的方法的检测准确性与最先进的方法相当,速度高达 140 帧 / 秒。
Jan, 2017
本文提出了一种针对三维点云的端到端无监督异常检测框架,该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算,并在 ShapeNet 数据集上进行了广泛实验,证明了该方法优于基线方法。
Apr, 2023
本研究通过使用伪异常合成器,利用正常数据生成假异常,用这些数据训练自编码器,改进了原有的自编码器,在三个视频数据集上进行的大量实验和分析表明,我们的方法有效地优化了自编码器的性能,并在实现超过现有的若干先进模型。
Oct, 2021
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
本文提出了一个端到端的在线三维视频物体检测器,该模型由空间特征编码组件和时空特征聚合组件组成。在空间特征编码组件中,提出了一种新的 Pillar Message Passing Network(PMPNet)模型,用于对离散点云帧进行编码。在时空特征聚合组件中,提出了一种注意力时空变换门控循环神经网络(AST-GRU),它通过注意力机制强调了前景物体并对动态物体进行了对齐。实验结果表明,该模型在大规模 nuScenes 基准测试中实现了最先进的性能。
Apr, 2020
本文采用多帧点云视频中的时间信息来探测 3D 物体。研究者们提出了一种名为 GMPNet 的格网信息传递网络来编码短期时间信息,并提出了一个名为 AST-GRU 的基于注意力的时空变换 GRU 来进一步聚合长期帧。在 NuScenes 基准测试中,该方法表现优异,且不需要任何额外的手段。
Jul, 2022
提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法,该方法将学生 - 教师异常检测框架适应到三维领域,并利用一种自监督预训练策略构建具有表达能力的教师网络,实现局部几何描述符的提取,实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。
Feb, 2022
我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法,通过学习正常视频的时空模式,并将测试视频的每一帧与该学习表示进行比较,我们在 Ped1 数据集上实现了 99.35% 的总体准确率,并在 Ped2 数据集上实现了 99.77% 的总体准确率,证明了我们的方法在监控视频异常检测方面的有效性,结果显示我们的方法优于其他最先进方法,可以在实际应用中用于视频异常检测。
Nov, 2023
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
本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法,使用基于物体中心的卷积自编码器编码运动和外观信息,并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验,结果显示此方法超过现有技术的结果。
Dec, 2018