May, 2024

视频异常检测的网络系统：教程和综述

PDF
TL;DR智能城市中的监控摄像头日益普及，结合在线视频应用的激增，引发了公共安全和隐私保护方面的担忧，促使自动化视频异常检测成为了人工智能领域中的一项基础研究任务。通过深度学习和边缘计算的进展，视频异常检测在智能城市和视频互联网中取得了显著进展和优势，超越了传统算法工程研究范围，成为部署在视频异常检测网络系统中的热点交叉研究领域。本文通过概述各种深度学习驱动的视频异常检测路线的基本假设、学习框架和适用场景，为新手提供了详尽的部署可用的视频异常检测网络系统教程。此外，我们展示了在工业物联网和智能城市方面的最新研究成果，并提供了一种用于部署可用的视频异常检测网络系统的端到云协同架构，以进一步阐明其潜在的研究和应用范围。最后，本文展望了未来发展趋势，并讨论了如何将人工智能和计算技术的融合应用于解决现有研究挑战和促进开放机会，为潜在的研究人员和工程师提供了有益的指导。
surveillance camerasvideo anomaly detectiondeep learningsmart citiesedge computing
发现论文，激发创造
  • 10 年来视频异常检测：综述与展望

    通过深度学习方法的视频异常检测（VAD）调查，本篇综述探索了传统监督训练范式之外的新兴弱监督、自监督和无监督方法，研究了 VAD 范式中的核心挑战，以及视觉语言模型（VLMs）作为强大的特征提取器在 VAD 中的作用，旨在增强复杂现实场景中异常检测的鲁棒性和效率，并填补现有知识差距，为研究人员提供有价值的见解，为 VAD 研究的未来贡献力量。

    May, 2024

  • 评估野外视频异常检测的有效性：面向实际部署的在线学习和推断

    通过在线学习框架，本研究评估了当前视频异常检测算法在现实环境中的适应性，特别是基于姿势分析的算法，在效率和隐私方面具备优势。研究发现，在最具挑战性的情况下，我们的在线学习方法使模型在特定目标领域中保持了 89.39% 的原始有效性。

    Apr, 2024

  • 移动相机下动态场景视频异常检测综述

    通过对 MC-VAD 相关研究论文的批判性评估和挑战性方面的重点突出，该综述总结了 MC-VAD 的主要研究领域，并提出了对应的数据集类型、异常检测方法和未来研究方向，为研究人员和从业者在 MC-VAD 领域的发展提供了有价值的参考。

    Aug, 2023

  • 图像 / 视频深度异常检测：综述

    本篇论文探讨了基于深度神经网络的图像 / 视频异常检测方法，讨论了当前的挑战和未来的研究方向。

    Mar, 2021

  • 视频异常检测的先验知识引导网络

    在智能视频监控中，视频异常检测 (VAD) 涉及检测视频中的异常事件，这是一个复杂而重要的任务。本文提出了一种基于先验知识引导的网络 (PKG-Net) 来解决 VAD 任务。通过在教师 - 学生架构中将自编码器网络与两个指定的代理任务相结合，即未来帧预测和教师网络模仿，提供了更好的未知样本泛化能力。此外，还提出了对适当特征块进行知识蒸馏，以增加模型的多尺度检测能力。实验结果在三个公开基准上验证了我们方法的有效性和准确性，超过了最近的最先进方法。

    Sep, 2023

  • 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

  • 自动驾驶中异常情况的混合视频异常检测

    自动驾驶中最具挑战性的情景是只能在其时间背景下检测到的情况。本文提出了 HF$^2$-VAD$_{AD}$，它是针对自动驾驶的 HF$^2$-VAD 监控视频异常检测方法的改进。我们从车辆自身的视角学习正常行为的表示，并在罕见和关键的情景中进行像素级异常检测。

    Jun, 2024

  • 超越基准：视频中多样化异常的检测

    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

  • 智能视频监控在社区空间的综合评估：将人工智能融入闭路电视系统

    本文介绍了一个基于人工智能的智能视频监控系统，旨在提高社区空间（如教育、休闲区域和小型企业）的安全性。该系统采用元数据而非像素数据进行活动识别，注重隐私，并具备基于云端基础架构和移动应用的实时警报功能。此外，该文还首次对全面的实时异常检测系统进行了评估，用于识别潜在的公共安全事件。通过在社区学院中的实施，作者验证了系统的鲁棒性和性能，提供了关于吞吐量、延迟和伸缩性的实际数据。

    Dec, 2023

  • 视觉异常检测调研：挑战、方法和前景

    对视觉异常检测进行了全面的调查，发现了样本数量、数据模态和异常层次结构等方面的主要挑战，并汇总了未来发展的方向和该调查的主要发现和贡献。

    Jan, 2024