Apr, 2024

上下文感知的长期数据集视频异常检测

PDF
TL;DR该研究论文提出了一种面向长期监控场景的上下文感知视频异常检测算法 Trinity，该算法适用于拥挤场景，其中个体难以跟踪，异常是由速度、方向或群体运动缺失引起的。通过对上下文、外观和动作之间的对齐质量进行学习，Trinity 使用对齐质量来将视频分类为正常或异常，该算法在传统基准和我们收集的覆盖超过三个月的公共网络摄像头数据集上进行了评估。
video anomaly detectioncontext-awaretrinitycrowded scenescontrastive learning
发现论文，激发创造
  • 交通视频异常检测的高效方法

    本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

    Apr, 2021

  • 交通视频中时间戳感知异常检测的挑战

    本文提出了一种三阶段管道模型，通过学习视频中的运动模式来检测视觉异常，并使用时间戳感知的异常检测算法将目标物体分类为异常，实验结果表明该方法能够有效检测交通路况视频中的时间戳感知异常。

    Jun, 2019

  • Few-shot 场景自适应异常检测

    利用元学习方法解决异常检测在视频中的问题，通过仅使用少量帧数的数据来检测以前未见过的场景中的异常行为，可以用于实时应用中，具有很大的潜力。

    Jul, 2020

  • 大规模视频异常检测的判别式框架

    本文提出了一种基于判别式学习的异常检测框架，其独立于时间顺序和无监督，无需额外的训练序列，并且在移除了标准数据集中的训练序列后，仍能取得最先进的结果。

    Sep, 2016

  • 用于改进视频异常检测的动态感知特征

    通过提出一种时间性增强的网络模型，学习一种能感知运动的特征，并通过多示例学习进行分类，从而在 UCF Crime 数据集上显著超越以往方法，在视频反常检测和异常行为识别任务上取得了较好的表现。

    Jul, 2019

  • 单场景视频异常检测调查

    本论文总结了单一场景视频流异常检测的研究动向，包括问题表述、公开数据集、评估标准、算法比较和最佳实践，并提出未来研究的可能方向。

    Apr, 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

  • 基于大型语言模型的视频异常检测与解释

    本文介绍了一种基于视频的大型语言模型在视频异常检测中的应用，该方法不需要阈值，并能解释检测到的异常事件。通过引入长期上下文网络模块和三阶段训练方法，提高了模型的性能并降低了数据需求和标注成本，该方法在 UCF-Crime 和 TAD 基准测试中实现了优异的性能。

    Jan, 2024

  • 监控视频中的任意时序异常检测

    本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

    Apr, 2020

  • 监控视频异常检测的持续学习

    本研究提出了一种基于转移学习和连续学习的在线异常检测方法，利用神经网络模型的特征提取能力和统计检测方法的连续学习能力，显著减少了训练复杂度，并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制，可应用于监控视频领域。

    Apr, 2020