基于片段异常关注的弱监督视频异常检测
该论文提出了一种轻量级视频异常检测模型,通过采用自适应实例选择策略和轻量级多级时间相关注意力模块,减少了模型参数,提高了模型性能,可在资源受限的情况下进行广泛部署。
Oct, 2023
我们提出了一种弱监督的异常检测系统,包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块,以利用训练批次中的总体信息,降低标签噪声并提高特征表示学习,以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。
Mar, 2022
本研究提出了一种基于深度神经网络的弱监督异常检测框架,采用视频级别的标签,通过使用时空视频特征的二元聚类来产生伪标签,从而减少异常视频标签中存在的噪声,实现更准确的异常检测。
Aug, 2020
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
本文针对弱监督异常检测进行研究,利用自监督学习策略,通过对同一视频序列数据进行不同变换来使模型获得相同的分数,并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。
Aug, 2022
通过将多个骨干模型的聚合表示进行知识蒸馏,我们提出了一种相对简单的模型,达到了最先进的性能。我们的方法在多个基准数据集上取得了显著提高,尤其是在 UCF-Crime、ShanghaiTech 和 XD-Violence 数据集上,分别实现了 1.36%、0.78%和 7.02%的显著改进。
Jun, 2024
本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架,其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块, 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能,某些异常子类的检测准确率也得到了极大的提高。
Jun, 2023
本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法,结合多个代理任务进行学习,包括三个自监督任务和一个基于知识蒸馏的任务,并在三个基准测试中优于现有技术。
Nov, 2020
本文提出了一种弱监督异常检测方法,该方法包括基于随机批量的训练过程、正常状态抑制机制、聚类距离损失等贡献,其中通过将模型生成的不同的正常和异常聚类,降低标签噪音并生成更好的异常表示。该方法在 UCF Crime 和 ShanghaiTech 数据集上获得了 83.03% 和 89.67% 的逐帧 AUC 性能,证明了其优于现有先进算法的优越性。
Nov, 2020
该论文提出了一种基于弱监督学习的异常检测框架 AR-Net,并通过动态多实例学习和中心损失设计了具有较强鉴别特征的回归模型,实现了对监控视频异常的检测,并在 ShanghaiTech 数据集上取得了最新的最好成果。
Apr, 2021