提出了一种使用动态骨架特征建模监控视频中人类运动规律的新方法，该方法通过将骨架运动分解为全局身体运动和局部身体姿势两个子组件，并使用新型消息传递编码 - 解码循环网络来建模相互作用的耦合特征，以精确识别来自监控视频序列的人类相关的异常事件并提供可解释性。与传统的基于外观的模型相比，该方法实现了卓越的异常检测性能。

Mar, 2019

该研究提出一种基于生成模型的视频异常检测方法，利用骨骼表示和扩散概率模型生成多模态人体姿势，并通过统计聚合的未来模态检测异常，其在四个基准测试中均取得优于现有技术的表现。

Jul, 2023

本研究对两个视频异常数据集进行了分析和定量化，以更好地理解基于姿势的异常检测的困难之处，并探索了基于姿势和轨迹的区别能力以及基于上下文的有效性，从而加速更好性能、更具鲁棒性的模型的开发。

Mar, 2023

提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。

Feb, 2024

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

本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。

Nov, 2022

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

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

TSGAD 是一种新的基于姿态和变分自编码器的人体中心视频异常检测方法，通过对基准数据集进行全面实验，证明了 TSGAD 具有与最先进方法相媲美的效果，展示了采用变分自编码器的潜力及其对未来研究的有希望方向。

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