Dec, 2023

朝着更实践的群体活动检测：新的基准和模型

PDF
TL;DRGroup activity detection addresses the identification and classification of group members' activities in videos. This paper introduces a new dataset called Café, designed specifically for GAD, along with a novel GAD model that efficiently handles unknown group sizes and latent group members, achieving superior performance in accuracy and inference speed.
发现论文，激发创造
  • 使用深度生成模型进行群体异常检测

    该研究提出了一种使用深度生成模型，Adversarial autoencoder (AAE) 和 variational autoencoder (VAE)，来检测旨在检测不规则分布的群组异常。实验结果表明，该方法在检测实际数据集中的群体异常方面有高的准确性和鲁棒性。

    Apr, 2018

  • 无检测器弱监督群体活动识别

    本研究提出了一种新的基于 Transformer 模型的团队活动识别方法，该方法借助注意机制对部分环节进行定位与编码，再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化，无需借助较强的监督方法，在两个基准测试中均表现良好。

    Apr, 2022

  • GAD：一种具有在线自适应学习的实时步态异常检测系统

    通过降维和长短时记忆（LSTM）方法，该论文引入了 GAD（实时步态异常检测系统），用于在三维加速度计读数中检测个人的异常步态，并通过在线学习自适应于细微模式变化，实现了较高的检测准确率。

    May, 2024

  • 社交媒体分析中的群体异常检测 - 扩展摘要

    研究了基于个体点异常的传统社交媒体的异 常检测方法，提出了一种层次贝叶斯模型 —— 组潜在异常检测（GLAD）模型，可以自动推断组并同时检测组异常。将 GLAD 进一步推广到其动态扩展 d-GLAD，以识别潜在群体和检测异常。

    Oct, 2014

  • 基于拓扑模式增强的组级图异常检测：一种增强无监督方法

    提出了一种用于群体级图异常检测的新的无监督框架，该框架利用图自动编码器和拓扑模式进行候选群体识别和嵌入生成，从而实现对异常群体的鉴定和定位。

    Aug, 2023

  • 通过人物属性预测学习群体活动特征

    该研究提出了组活动特征（GAF）学习，通过人物属性预测无需群体活动注释来学习多人活动的特征；结合端到端训练方式，将 GAF 用于预测群体中人物属性，从而作为多人活动的特征；通过引入基于位置的属性预测，能够正确提取每个目标人物的复杂 GAF 特征；实验结果表明该方法在两个公共数据集上在定量和定性上都优于最先进方法，同时 GAF 的可视化证明了该方法学习到了细粒度的群体活动类特征。

    Mar, 2024

  • 弱监督群体活动识别的社交适应模块

    本文提出了一种名为弱监督组活动识别 (GAR) 的新任务，通过利用社交自适应模块 (SAM) 从嘈杂数据中推理关键人物和帧，改善了 NBA 数据集和常用排球数据集的识别准确率。

    Jul, 2020

  • FGAD: 自助强化知识蒸馏的有效联邦图异常检测框架

    我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。

    Feb, 2024

  • Mul-GAD: 基于聚合多视角信息的半监督图异常检测框架

    本文提出了一种多视图融合方法用于图形异常检测，该方法结合了视角级融合和特征级融合以更好地利用不同视角的信息。在多个数据集上进行的实验表明，该方法在异常检测性能和泛化能力方面优于其他现有算法。

    Dec, 2022

  • 通过数据增强提高图形异常检测模型的泛化能力

    本文提出了一种基于数据增强的半监督学习方法 AugAN，用于解决现有半监督图异常检测方法的泛化问题，并进一步提高模型的泛化能力，从而有效检测训练和测试数据中存在的异常。

    Jun, 2023