Nov, 2023

多任务轨迹异常检测的整体表示学习

PDF
TL;DR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。
发现论文，激发创造
  • 视频异常检测中的骨架轨迹规律学习

    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

  • 基于多任务学习和注意力机制的视频异常检测

    通过多任务学习方法结合异构特征检测，我们提出了一种视频异常检测方法，综合考虑了运动和外观特征，其中包括语义分割和未来帧预测任务来学习目标类和一致的运动模式，同时添加了多种注意机制来检测运动反常，并优于现有方法。

    Oct, 2022

  • 自监督与多任务学习在视频异常检测中的应用

    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

  • 基于多模态运动条件扩散模型的基于骨架的视频异常检测

    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

  • 学习外观 - 运动正常性，用于视频异常检测

    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

  • 多时间尺度轨迹预测用于异常人类活动检测

    提出了一种多时间尺度模型，以在不同时间尺度上捕获异常活动，并通过对不同时间尺度的输入姿势轨迹进行未来和过去预测来检测异常活动。

    Aug, 2019

  • 监控视频中的现实世界异常检测

    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

  • 学习记忆引导的正常性用于异常检测

    本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

    Mar, 2020

  • 长序列中合理的异常检测

    通过学习长期序列完整地表示物体的运动模式，提出了一种堆叠状态机 (SSM) 模型，该模型能够预测未来状态并确定违反正常运动模式的异常，提升了现有方法在视频异常检测方面的效果。

    Sep, 2023

  • MS$^2$L：基于骨架的动作识别的多任务自监督学习

    本文探讨了基于自监督学习的骨骼动作识别中的表征学习问题，提出了一种多任务自监督学习的方法，包括运动预测、拼图识别和对比学习等方法。实验表明该方法在不同配置下的动作分类器上表现出优异的性能。

    Oct, 2020