Mar, 2024

基于图拼图条件扩散模型的基于骨架的视频异常检测

PDF
TL;DR基于骨骼的视频异常检测是计算机视觉中关键的任务，在准确识别异常模式或事件方面可以帮助操作员及时发现可疑活动，从而增强安全性。本文介绍了一种新颖、实用且轻量级的框架，名为基于图拼图条件扩散模型的基于骨骼的视频异常检测（GiCiSAD），以应对与 SVAD 相关的挑战。GiCiSAD 包括三个新颖模块：基于图注意力的预测模块，用于捕捉数据中固有的时空依赖性；基于图层级的拼图制作模块，用于区分正常和异常运动之间的细微区域差异；以及基于图的条件扩散模型，用于生成广泛的人体动作。对四个广泛使用的基于骨骼的视频数据集进行的大量实验证明，GiCiSAD 在具有显著更少的训练参数的情况下优于现有方法，成为新的最先进技术。
skeleton-based video anomaly detectiongraph-jigsaw conditioned diffusion modelgicisadspatio-temporal dependenciesstate-of-the-art
发现论文，激发创造
  • 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

  • 通过解决解耦空时拼图难题进行视频异常检测

    本文介绍了一种采用自监督学习的方法，通过解决空间 - 时间拼图问题来进行视频异常检测。新方法相对于基于重建或预测的方法，在公共基准测试中表现更好。

    Jul, 2022

  • 基于紧凑运动表示条件下的非监督视频异常检测

    本文提出了一种利用条件扩散模型进行无监督视频异常检测的方法，使用预训练网络提取空间和时间特征，并结合能概括给定视频片段运动和外观的紧凑运动表示进行条件约束，采用数据驱动的阈值，将高重构误差视为异常事件的指标。实验表明，该方法在大规模视频异常检测数据集上的性能优于现有方法和基线方法。

    Jul, 2023

  • 探究无监督视频异常检测的扩散模型

    本研究探究了扩散模型在不使用数据注释的情况下，用于视频异常检测的性能。实验结果表明，该方法优于现有的生成模型，并且是第一项使用扩散模型并研究其参数影响的研究。

    Apr, 2023

  • 基于骨架的步态识别的条件自适应图卷积学习

    通过引入联合特征学习和自适应图拓扑学习的方法，我们提出了一种适应条件的图卷积网络 (CAG) 用于骨骼步态识别任务，以克服固定权重和视角对识别效果的限制。实验证明，CAG 相较于现有的骨骼步态识别方法在两个常用数据集中 (CASIA-B 和 OU-MVLP) 获得了更好的识别性能，并且与基于外观的方法相结合可以进一步提高识别效果。

    Aug, 2023

  • 人类运动学启发的基于骨架的视频异常检测

    在这篇论文中，我们介绍了一种名为 HKVAD（Human Kinematic-inspired Video Anomaly Detection）的新思路，通过显式利用人类运动特征来检测视频异常。我们还提出了一种利用骨架姿态的运动特征，并使用正态流模型来估计密度并检测异常的方法。在两个具有挑战性的公共数据集上进行实验证明了我们方法的有效性和潜力。

    Sep, 2023

  • 基于时空异常学习的 AI 生成视频检测

    该研究探讨了有效的基于人工智能生成视频的检测方案，通过使用两个分支的时空卷积神经网络来捕捉取证迹象，对视频的空间和光流异常进行分析，通过融合子检测器的结果来提高判别能力，并构建了一个大规模生成的视频数据集作为模型训练和评估的基准。

    Mar, 2024

  • 使用扩散模型进行受形状限制的人体动作生成

    我们提出了一种基于形状条件的运动扩散模型（SMD），该模型可以直接在网格格式中生成运动序列，并结合了频谱 - 时间自编码器（STAE）以在频谱域内利用跨时依赖关系。通过广泛的实验评估，我们证明了 SMD 不仅可以生成栩栩如生的真实动作，而且在文本转换和动作转换任务中与最先进的方法相比具有竞争力的性能。

    May, 2024

  • 人本视频异常检测的探索性研究：基于变分自编码器和轨迹预测

    TSGAD 是一种新的基于姿态和变分自编码器的人体中心视频异常检测方法，通过对基准数据集进行全面实验，证明了 TSGAD 具有与最先进方法相媲美的效果，展示了采用变分自编码器的潜力及其对未来研究的有希望方向。

    Apr, 2024

  • MissionGNN: 基于层次多模态图神经网络的弱监督视频异常识别与任务特定知识图生成

    这篇论文介绍了一种基于层次图神经网络（GNN）的新型模型 MissionGNN，通过利用先进的大型语言模型和全面的知识图谱，在 VAR 的弱监督学习中解决了异常检测和识别中的挑战。通过自动化的任务特定知识图生成，我们的模型提供了一种实际高效的解决方案，可以在实时视频分析中实现完全的帧级训练，避开了先前基于分割或多模态方法的限制。在基准数据集上的实验验证证明了我们模型在 VAD 和 VAR 中的性能，突显了它在视频监控系统中重新定义异常检测和识别领域的潜力。

    Jun, 2024