Dec, 2023

基于多尺度时域特征的动态擦除网络用于弱监督视频异常检测

PDF
TL;DR弱监督视频异常检测中，提出了一种动态擦除网络（DE-Net），能够学习多尺度时空特征，处理异常事件时长变化并评估异常检测的完整性。该方法在 XD-Violence、TAD 和 UCF-Crime 三个数据集上表现良好。
weakly supervised video anomaly detectiondynamic erasing networkabnormal eventsmulti-scale temporal featuresdynamic erasing strategy
发现论文，激发创造
  • 一种基于弱监督和自适应实例选择的轻量级视频异常检测模型

    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

  • 从弱标记视频中定位异常

    本文提出了一种弱监督异常定位方法，利用高阶上下文编码模型提取语义表示，度量动态变化并有效利用时间上下文，通过聚合动态变量和立即语义来获取最终的异常分数，并通过增强策略处理噪声干扰和异常检测中的定位指导缺失，同时收集了一组新的交通异常数据集（TAD），实验表明该方法在常见的异常检测基准测试集中实现了最新的最佳性能。

    Aug, 2020

  • 通过去噪分数匹配实现多尺度对数密度估计的视频异常检测

    我们提出了一种新颖的视频异常检测方法：将从视频中提取的特征向量视为固定分布的随机变量的实现，并用神经网络对该分布进行建模，以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器，该方法通过向训练数据注入噪声来便于模型其分布。为了消除超参数选择，我们对不同噪声水平下的噪声视频特征的分布进行建模，并引入一种倾向于使不同噪声水平的模型保持一致的正则化器。在测试时，我们使用高斯混合模型将多个噪声尺度下的异常指示组合起来。我们的视频异常检测器运行时延最小，因为推理仅需要提取特征并将其通过浅层神经网络和高斯混合模型进行前向传播。我们对五个常用视频异常检测基准进行的实验表明，在面向对象和面向帧的设置下，我们的方法表现卓越。

    Mar, 2024

  • 端到端的联合视频去雾和检测

    本文提出了基于卷积神经网络的端到端视频去雾网络 (EVD-Net), 用于利用连续视频帧之间的时间一致性，并在多种结构选项上进行了彻底的研究，以确定最佳的时间融合策略。此外，我们还建立了一个端对端联合视频去雾和检测网络 (EVDD-Net)，通过将 EVD-Net 与视频目标检测模型连接并进行联合训练，得到的增强型端对端流水线在模糊视频的检测结果上表现出更稳定和更准确的结果。

    Sep, 2017

  • 通过中心引导的判别学习实现弱监督视频异常检测

    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

  • 逐步擦除、逐一收集：一种弱监督的时间动作检测器

    本文提出一种基于分类器的弱监督时间行为检测方法，使用条件随机场对时序定位输出进行精细化处理，并在 THUMOS'14 和 ActivityNet 数据集上取得了较好的检测效果。

    Jul, 2018

  • 利用聚类辅助异物检测视频的弱监督训练

    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

  • 利用提示增强的上下文特征进行弱监督视频异常检测学习

    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

  • 使用视频级标签的自我推理框架进行异常检测

    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

  • 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