May, 2024

GAD：一种具有在线自适应学习的实时步态异常检测系统

PDF
TL;DR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。
gait anomaly detectionreal-time gait anomaly detection systemaccelerometer readingsdimensionality reductionlong short-term memory (lstm)
发现论文，激发创造
  • GADER: 野外行为识别与识别

    我们提出了一种用于挑战性户外场景中的人体验证的端到端步态检测和识别（GADER）算法，该算法利用双螺旋签名来检测人体动作的片段，并结合一种新颖的步态识别方法，在辅助 RGB 识别模型的基础上学习表示。在推理时，GADER 仅使用轮廓模态，并从中获得更强大的表示能力。对室内和室外数据集进行的广泛实验表明，该方法在步态识别和验证方面优于现有方法，在非受限的远距离场景中有显著的 20.6% 改进。

    Jul, 2023

  • MGADN：用于多元时间序列的多任务图形异常检测网络

    研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

    Nov, 2022

  • GADY: 动态图上的无监督异常检测

    在动态图上进行异常检测的研究主要关注于检测行为明显偏离图和时间信息内观察到的规范的实体，已吸引了金融、网络安全、社交网络等领域的极大关注。然而，现有的方法面临两个挑战：动态结构构建挑战 - 难以捕捉带有复杂时间信息的图结构，负采样挑战 - 无法构建优秀的负样本用于无监督学习。为了应对这些挑战，我们提出了基于动态图的无监督生成式异常检测 (GADY)。针对第一个挑战，我们提出了一个连续动态图模型来捕捉精细的信息，打破了现有离散方法的限制。具体而言，我们采用消息传递框架结合位置特征来获得边缘嵌入，通过解码来识别异常。为了解决第二个挑战，我们首次使用生成对抗网络生成负交互。此外，我们设计了一个损失函数来改变生成器的训练目标，同时确保生成样本的多样性和质量。大量实验证明了我们提出的 GADY 在三个现实世界数据集上明显优于先前的最先进方法。补充实验证实了我们模型设计的有效性以及每个模块的必要性。

    Oct, 2023

  • 朝着更实践的群体活动检测：新的基准和模型

    Group 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.

    Dec, 2023

  • 基于步态分析的实时人员识别

    通过使用低功耗模型，借助可穿戴设备在边缘进行实时步态识别，本研究成功地在 Arduino 上演示了作者的实时身份识别，从而强调了其功效，并为不久的将来在实际系统中应用提供了可行性证明。

    Apr, 2024

  • ADA-GAD: 图形异常检测的异常去噪自编码器

    提出了一种名为 ADA-GAD 的新型双阶段框架以解决图中异常检测问题，通过减少异常级别并利用多层级表示进行预训练和检测，同时使用节点异常分布正则化来进一步减轻异常过拟合问题。

    Dec, 2023

  • 智能制造的特征异常检测系统 (FADS)

    本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

    Apr, 2022

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 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

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019