本文提出了一个新的框架 ——DeepFall，将跌倒检测问题转化为异常检测问题，并利用深度时空卷积自编码器从常规活动中学习空间和时间特征，通过复合窗口中帧的重构分数来检测未知跌倒，应用于三个公开数据集时显示出了超越传统自编码器方法的优越性。

Aug, 2018

本文提出使用自编码器的集成以从可穿戴传感器的不同通道中提取特征来自动检测跌倒，该方法对于未见过的跌倒的识别非常有效，并对比了传统自编码器模型和两种标准的单类分类方法。

Oct, 2016

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

本文提出了一种新的损失因果时间卷积神经网络自编码器来进行异常检测，其使用速率 - 失真损失和熵瓶颈来学习压缩编码的潜在表示，有助于实现更实际的无监督异常检测方案。

Dec, 2022

提出了一种基于深度自编码模型的多传感器数据的异常检测方法，用于在动态现实世界中可靠地执行机器人操作任务，结合红绿蓝（RGB）摄像头、深度摄像头、麦克风和力矩传感器等多种机器人传感器收集的异构数据流，通过训练一个深度自编码器来构建指示正常状态的多传感器数据的潜在表示，可以通过测量训练编码器和重构输入数据的潜在值之间的差异来识别异常，实验证明了该方法在各种对象类型、机器人行为和环境中的对象滑动情况下可靠地检测到异常，并且尽管存在视觉和听觉噪声。

Mar, 2024

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

本研究提出了一种基于点云视频的自编码器框架 PSTAE，使用深度相机和 LiDAR 采集的 3D 数据以保护居民或患者隐私，并取得了 TIMo 数据集上的最新成果 (SOTA)。

Jun, 2023

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

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