Jun, 2024

弱监督视频异常检测的聚合知识蒸馏

PDF
TL;DR通过将多个骨干模型的聚合表示进行知识蒸馏，我们提出了一种相对简单的模型，达到了最先进的性能。我们的方法在多个基准数据集上取得了显著提高，尤其是在 UCF-Crime、ShanghaiTech 和 XD-Violence 数据集上，分别实现了 1.36％、0.78％和 7.02％的显著改进。
video anomaly detectionbenchmark setupdistilling knowledgebi-level distillationfeature aggregation network
发现论文，激发创造
  • 自监督与多任务学习在视频异常检测中的应用

    本文提出了一种基于对象层面的自监督和多任务学习来检测视频中的异常事件的方法，结合多个代理任务进行学习，包括三个自监督任务和一个基于知识蒸馏的任务，并在三个基准测试中优于现有技术。

    Nov, 2020

  • 利用聚类辅助异物检测视频的弱监督训练

    我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。

    Mar, 2022

  • 基于片段异常关注的弱监督视频异常检测

    通过提出基于异常注意力的弱监督异常检测方法，该研究在涉及未剪辑视频中的异常事件方面表明了提取关键特征的有效性，并通过多分支监督模块进一步优化视频的异常检测和定位。

    Sep, 2023

  • 一种基于弱监督和自适应实例选择的轻量级视频异常检测模型

    该论文提出了一种轻量级视频异常检测模型，通过采用自适应实例选择策略和轻量级多级时间相关注意力模块，减少了模型参数，提高了模型性能，可在资源受限的情况下进行广泛部署。

    Oct, 2023

  • 通过对抗知识蒸馏的闪电般快速视频异常检测

    提出了一种非常快的视频异常检测模型，通过从多个高精度的目标级教师模型中提取知识来学习检测异常。通过联合应用标准和对抗蒸馏，利用对每个教师的对抗鉴别器来区分目标和生成的异常图，从而提高了学生的保真度。对三个基准数据集（Avenue，ShanghaiTech，UCSD Ped2）进行实验，结果表明，该方法比最快的竞争方法快 7 倍以上，并且比以目标为中心的模型快 28 到 62 倍，同时获得了与最近方法相当的结果，且速度达到了 1480 FPS，是速度和精度之间的最佳权衡。此外，我们进行了全面的剖析研究，以证明我们的架构设计选择的合理性。

    Nov, 2022

  • 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

  • 知识蒸馏用于异常检测

    无监督深度学习技术广泛用于识别异常行为。该研究介绍了一种基于知识蒸馏的新型过程，用于将无监督异常检测模型压缩成监督可部署模型，并提出了一套提高检测敏感性的技术集合。压缩模型在显著减小大小和内存占用的同时，性能与较大模型相当。

    Oct, 2023

  • 参与、提炼、检测：注意力感知的熵提炼用于异常检测

    我们提出了一种基于 DCAM（分布式卷积注意模块）的知识蒸馏方法，可以改善教师和学生网络之间的蒸馏过程，减少多类别或多对象情况下的交叉类干扰问题，并通过最小化空间维度上的相对熵和教师和学生的相同特征图之间的通道相关余弦相似性来实现尺度不变性和捕捉非线性关系。

    May, 2024

  • 使用视频级标签的自我推理框架进行异常检测

    本研究提出了一种基于深度神经网络的弱监督异常检测框架，采用视频级别的标签，通过使用时空视频特征的二元聚类来产生伪标签，从而减少异常视频标签中存在的噪声，实现更准确的异常检测。

    Aug, 2020

  • 多分辨率知识蒸馏用于异常检测

    本研究旨在通过将专家网络的特征进行 “蒸馏” 以学习无监督表示，并使用这些特征检测和定位异常区域，证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识，并显著提高在多个数据集上进行异常检测和定位的性能。

    Nov, 2020