本文提出一种基于序列编码器和解码器的,利用前后向时间信息学习双向动态的无监督异常检测方法,通过对正常样本状态空间的正则化和使用马氏距离评估异常等级,实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。
Mar, 2023
通过学习能够识别视频中异常事件的生成模型,我们提出了结合卷积 LSTM 的网络,利用少量的监督来预测视频序列的演变,从预测的一组重建误差中获取规则分数,证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。
Dec, 2016
该论文提出了一种通过深度多实例评级框架利用弱标记训练视频来学习异常的方法,并介绍了一个包括正常和异常视频的新型数据集,该数据集用于一般的异常检测和 13 个异常活动的识别任务。实验结果表明该方法显著提高了异常检测的性能。
Jan, 2018
本文提出了一种基于判别式学习的异常检测框架,其独立于时间顺序和无监督,无需额外的训练序列,并且在移除了标准数据集中的训练序列后,仍能取得最先进的结果。
Sep, 2016
本文提出了一种高效的边缘设备上运行的视频异常检测系统,包括变化检测、背景建模和目标检测模块以及回溯异常检测算法,同时还提出了一种顺序变化检测算法。实验结果表明,该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。
Apr, 2021
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
视频异常检测中,除了视觉信号外,我们还应用了骨架序列。我们提出了一种完整的骨架轨迹表示方法,以学习不同时间段内预期的动作。我们使用多任务学习来重建轨迹的任何未观测连续时间段,从而实现过去或未来时间段的外推和插值。我们采用了端到端的基于注意力的编码器 - 解码器模型,并对轨迹进行编码,联合学习被时间遮挡的轨迹段的潜在表示,并根据不同时间段内的预期动作进行重建。在三个基于轨迹的视频异常检测数据集上进行的大量实验证明了我们方法的优势和有效性,并在骨架轨迹的异常检测中取得了最先进的结果。
Nov, 2023
该研究论文提出了基于无监督的短期和长期遮蔽表示学习的异常检测方法,结合注意力机制和时间序列编码来提高多变量时间序列的预测性能和可解释性, 实验证明该方法在三个实际数据集上的性能优于其他最先进的模型。
Aug, 2022
本文提出了一种三阶段管道模型,通过学习视频中的运动模式来检测视觉异常,并使用时间戳感知的异常检测算法将目标物体分类为异常,实验结果表明该方法能够有效检测交通路况视频中的时间戳感知异常。
Jun, 2019
本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法,可以使用少量标记的正常示例检测异常,具有训练复杂度低的优点,适用于监控视频中的在线决策。
Apr, 2020