- JOSENet：一种用于监控视频中暴力检测的联合流嵌入网络
自监督学习方法 JOSENet 在监控视频中的暴力检测任务中表现出色，提供了改进的性能，同时需要较少的帧数和降低的帧率。
- 监控视频中的物体投掷行为检测
该研究论文提出了一个基于深度学习的解决方案，用于监控视频中的投掷行为检测，并通过生成新的公开数据集和比较不同特征提取器的性能来改善异常检测算法，实验结果显示了良好的性能。
- 卷积自编码器在视频异常检测中的深度学习方法
我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped - UCF-Crime 注解：监控视频与语言理解的基准测试
我们提出通过手动注释真实世界监控数据集 UCF-Crime 的细粒度事件内容和时间来构建第一个多模态监控视频数据集，命名为 UCA（UCF-Crime 注释）。在该数据集中，事件详细描述，并在 0.1 秒的时间间隔内提供了精确的时间定位。我 - 复杂拓扑场景中的单应性估计
我们提出了一种基于字典的自动化摄像机校准方法，利用定制的空间变换网络（STN）和新颖的拓扑损失函数，改善了 IoU 指标，相对于最先进模型提高了 12％。
- 在不同的 Jetson 边缘设备上对异常检测系统进行基准测试
捕捉来自监控视频的异常事件提高了市民的安全和福祉。本文应用基于边缘计算的人工智能（EdgeAI）满足安全需求的低延迟要求。我们使用弱监督视频异常检测技术（RTFM）将端到端犯罪现场异常检测系统应用于监控摄像头，并借助边缘计算技术。该系统直接 - 垃圾进，垃圾出：使用大型语言模型进行零样本犯罪检测
本文提出利用语言模型学习的常识知识，对监控视频文字描述进行零 - shot 推理，能够实现仅使用零 - shot 推理对犯罪进行检测和分类的性能优秀于现有的视频到文字自动生成模型。
- 使用扩散模型进行卫星视频异常检测
本研究提出了一种扩散模型来检测高频率数据中的快速异常，该模型不需要任何运动组件，优于其他基准方法，可用于卫星数据分析中。
- 法医识别的三维面部重建 - 综述
本文调查了 3D 人脸重建算法在法证应用中的潜在作用，强调了它与生物识别的关系，并分析了目前的障碍。
- 使用密集视频字幕和人物对象交互检测可疑活动的 SAVCHOI 系统
提出了一种利用人 - 物交互模型来检测和总结监控视频中可疑活动的新方法，使用基于双模变换器中的视觉特征的方法修改了现有方法，并将其与现有的最先进的算法进行了比较，发现该方法在密集字幕表现方面优于其他方法，并最终使用遗传算法找出不同 NMS - 通过中心引导的判别学习实现弱监督视频异常检测
该论文提出了一种基于弱监督学习的异常检测框架 AR-Net，并通过动态多实例学习和中心损失设计了具有较强鉴别特征的回归模型，实现了对监控视频异常的检测，并在 ShanghaiTech 数据集上取得了最新的最好成果。
- 多路径帧预测的稳健无监督视频异常检测
提出了一种基于帧预测的视频异常检测方法，该方法采用了 Multi-path ConvGRU 网络以更好地处理语义信息对象和不同尺度的区域，并在训练期间引入了噪声容忍损失来减轻背景噪声造成的干扰，经过对 CUHK Avenue、Shangha - 具有虚警率渐近界限的监控视频在线异常检测
本文提出了一种在监控视频中进行在线异常检测的算法，它利用多目标深度学习模块和统计异常检测模块相结合的方法，通过渐近界限来控制误报率，从而提供了一种清晰的步骤，以选择满足所需误报率的适当决策阈值，并在多个公开数据集上取得了超越最先进算法的效果 - 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。
- CVPR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。
- CVPR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。
- ICCV外观 - 运动对应关系视频序列异常检测
我们提出了一种深度卷积神经网络来检测监控视频中的异常事件，该网络通过学习一种物体外观和运动之间的关系来解决该问题。我们的模型是由重建网络和图像转换模型组成的，它们共享相同的编码器。该模型仅通过正常事件的视频进行训练，可对未知输入进行帧级别的 - 混合深度网络用于异常检测
本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。
- 预训练的 CNN 是否适合用作监控视频中异常检测的特征提取器？
本文比较了四种现代图像分类网络提取 features 的结果，并研究了不同的特征标准化技术的使用。结果表明，当使用 CNN 特征进行异常检测时，选择适当的标准化方法对于提高性能至关重要。
- 使用保持相似度的生成对抗网络进行跨数据集的人员再识别
本研究提出了使用基于相似性保持生成对抗网络模型 SimPGAN，将目标域中未标记图像转化为原始分类器的解决方案，通过在多个真实监控数据集上的全面实验，研究结果表明，该算法优于现有的基于跨数据集的无监督人员重新识别算法。