该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

Mar, 2024

本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

Jul, 2021

视频异常检测（VAD）在现代监控系统中扮演着关键角色，旨在识别真实情境中的各种异常。然而，当前基准数据集主要强调简单的单帧异常，如新颖物体检测，这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中，我们主张扩展 VAD 研究，涵盖超越传统基准范围的复杂异常。为此，我们引入了两个数据集：HMDB-AD 和 HMDB-Violence，以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection（MFAD），它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征，如姿势估计和深度图像编码，以及双帧特征，如物体速度。然后，他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常，我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设，并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中，MFAD 表现出色。

Oct, 2023

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 2023

提出了一种多时间尺度模型，以在不同时间尺度上捕获异常活动，并通过对不同时间尺度的输入姿势轨迹进行未来和过去预测来检测异常活动。

Aug, 2019

本文提出了 $ ext {HF}^2$-VAD，这是一个混合框架，无缝地融合了流重建和帧预测，以处理视频异常检测。通过使用多级内存模块和跳过连接的自动编码器为正常光流模式进行记忆来识别异常事件，并且利用条件变分自动编码器，根据先前的几个帧预测下一个帧，根据预测的帧重定义优化后的光流，从而提高异常事件的检测能力。实验结果表明，所提出的方法的有效性。

Aug, 2021

设计了一种基于空时分层结构的可配置网络体系结构，并利用具有不同能力的基于自编码器的块获得正常模式，通过不断叠加和连接这些块，学习了分层的正常模式，适应了不同的检测需求和各种复杂程度的异常时，通过在三个基准测试中进行实验，并进行了广泛分析，结果表明我们的方法与最先进的方法相当。

May, 2023

本文提出了一种 Coarse-to-Fine Action Detector (CFAD) 框架，用于高效的时空动作定位，该框架将视频流分为粗动作管和精细动作管，分别利用长时信息建立粗管，并在关键时间戳的指导下选择性地调整管的位置。实验结果表明，CFAD 在 UCF101-24、UCFSports 和 JHMDB-21 等行动检测基准上都取得了有竞争力的结果，并且推理速度比最近的竞争对手快 3.3 倍。

Aug, 2020

该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

Mar, 2024

本研究通过将视频异常检测问题简化为人体姿势的异常检测，使用一种基于 spatio-temporal graph convolution blocks 的基于正常化流的算法来处理这类数据，并在两个异常检测基准数据集上表现出最先进的结果。

Nov, 2022