- CHAD: Charlotte 异常数据集
文章介绍了一种用于视频异常检测的深度学习算法,提出了一个高分辨率、多摄像头商业停车场场景异常数据集 CHAD,并在其中评估了两种最新方法的效力,为智能视频监控应用提供了有用参考。
- AAAI多尺度运动一致性学习的人群异常行为检测
本研究基于多尺度运动一致性网络 (MSMC-Net) 提出了一种视频异常检测方法,以解决困扰人群安全问题的群体异样行为 (CABs) 检测问题。在三个场景中的实验结果表明,MSMC-Net 能够极大地提高所有数据集的性能表现。
- 基于正则流模型的人体姿态异常检测
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。
- 基于多任务学习和注意力机制的视频异常检测
通过多任务学习方法结合异构特征检测,我们提出了一种视频异常检测方法,综合考虑了运动和外观特征,其中包括语义分割和未来帧预测任务来学习目标类和一致的运动模式,同时添加了多种注意机制来检测运动反常,并优于现有方法。
- 学习外观 - 运动正常性,用于视频异常检测
本文提出了一种增强空间 - 时间记忆的双流自编码器框架,通过对抗学习,学习外观正常性和运动正常性,并探索空间和时间模式之间的相关性,在 UCSD Ped2 和 CUHK Avenue 数据集上,该框架的 AUC 分别为 98.1%和 89. - ECCV通过解决解耦空时拼图难题进行视频异常检测
本文介绍了一种采用自监督学习的方法,通过解决空间 - 时间拼图问题来进行视频异常检测。新方法相对于基于重建或预测的方法,在公共基准测试中表现更好。
- 基于图像转换的目标类感知视频异常检测
该研究提出了一种新的两流对象感知 VAD 方法,通过图像转换任务学习正常的外观和动态模式,检测偏离学习正常模式的异常情况,并在三个数据集上表现有竞争力。
- 学习不重构异常
本文提出了一种新的方法,通过训练自编码器(AE)模型重建正常数据,并使用生成的伪异常数据模拟数据分布,以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。
- 通过记忆增强流重构和流引导帧预测的混合视频异常检测框架
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 - MM基于卷积变换器和双重鉴别器的生成对抗网络,用于视频异常检测
本文介绍了一种基于卷积变换器、双鉴别器生成对抗网络(CT-D2GAN)的非监督式视频异常检测方法,该方法在未来帧预测和对视频的局部和全局建模方面取得了显著的效果。
- 使用元原型网络学习视频中的正常动态
本篇论文提出一种基于动态原型单元(DPU)和元学习的视频异常检测方法,通过对正常场景进行实时动态编码,能够高效处理新场景数据,并在多个基准测试中获得表现优异的效果。
- 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 - MM利用完形填空测试:通过学习完成视频事件实现有效视频异常检测
该论文提出了一种名为视频事件完成(VEC)的解决方案,基于互补线索使用外观和运动对视频活动进行定位,并利用视觉填空测试激励深度神经网络(DNN)捕捉高层语义。通过不同类型的不完整事件和模态的两种集成策略,VEC 可以在常用的 VAD 基准测 - 从弱标记视频中定位异常
本文提出了一种弱监督异常定位方法,利用高阶上下文编码模型提取语义表示,度量动态变化并有效利用时间上下文,通过聚合动态变量和立即语义来获取最终的异常分数,并通过增强策略处理噪声干扰和异常检测中的定位指导缺失,同时收集了一组新的交通异常数据集( - 自训练深度序数回归用于端到端视频异常检测
采用自训练的深度序列回归方法进行视频异常检测,克服了训练数据需手动标注的限制,具有优秀的特征学习能力并实现了联合表示学习和异常评分,并在八个真实世界视频场景中表现出较高的性能,可应用于人机交互式视频异常检测。
- CVPR图卷积标签噪声清除器:训练即插即用的动作分类器以用于异常检测
本文提出一种基于嘈杂标签下的监督学习方法,使用图卷积网络来清除标签噪声并提供正确的监督信息,以直接使用全监督方法来应用于弱监督异常检测,取得了较好的效果。
- 第一人称视角视频的无监督交通事故检测
本文提出了一种基于未监督学习的方法,通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明,该方法优于最先进的方法。
- 街景场景:视频异常检测的新数据集和评估协议
本文介绍了一个名为 Street Scene 的大型多样化数据集和两个新的评估标准,旨在推动视频异常检测研究的进展。另外,我们提出了两个新的基准算法,证明它们在 Street Scene 数据集上比文献中现有的两个最先进的算法更准确。
- CVPR潜空间自回归用于新颖性检测
设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法,通过最大似然优化与正常样本重建相结合的方式,成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能,而且不做任何新奇性的假设,可适用于各种不同的场景。
- 高斯混合全卷积变分自编码器实现视频异常检测和定位
提出了一种部分有监督的深度学习方法,用于视频异常检测和定位,其中使用的仅为正常样本,并且该方法基于使用深度学习训练的高斯混合模型,可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像,同时使用出现和运动异常构建了一个双流网络框架,并