CVPR2020(Learning Memory-guided Normality for Anomaly Detection)论文代码复现

最新推荐文章于 2023-12-23 22:30:33 发布
最新推荐文章于 2023-12-23 22:30:33 发布
阅读量268 收藏 1
点赞数
文章标签： python 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_47298236/article/details/132719684
版权

1.下载代码：

https:// cvlab.yonsei.ac.kr/projects/MNAD

2.下载ped2数据集，放到/dataset/目录下，下载目录如下：

Shanghaitech Vision and Intelligent Perception(SVIP) LAB (svip-lab.github.io)

3.安装torch、torchvision、opencv-python、scikit-learn等。

4.运行Train.py

在终端输入 python Train.py

如果使用重构方法，需要改一下参数，详细见“Readme"。

结果会自动保存在’exp/ped2/pred/log/log.txt‘下，如下：

5.同理，运行评估Evaluate.py

 


                

        

        

    




    

      

        

            

              
                
                  qq_47298236
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    1
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      










                



	

		

			

				
					
PQ-NET:2020年CVPR论文“ PQ-NET”的代码

				
			

			

				

					04-23
				

			

		

		

			
				
PQ网该存储库提供了本文的PyTorch实现：，，，，CVPR 2020先决条件Linux NVIDIA GPU + CUDA CuDNN Python 3.6依存关系通过pip安装python软件包依赖项： pip install -r requirements.txt 编译从带来的扩展模块： ...

			
		

	



                

              
                



	

		

			

				
					
[异常检测] Learning Memory-guided Normality for Anomaly Detection

				
			

			

				

					BENULL的博客
				

				

					12-28
					
					2440
					
				

			

		

		

			
				
Learning Memory-guided Normality for Anomaly Detection

单位：Yonsei University
会议：CVPR 2020
论文地址：Learning Memory-guided Normality for Anomaly Detection
代码地址：https://github.com/cvlab-yonsei/MNAD

基于CNN方法的一个缺点就是没有考虑正常样本的多样性，CNNs的能力太强，对于输入是异常的视频帧样本，也能重建的像异常视频帧，

			
		

	



                


  
              

                


	

		

			

				
					
Anomaly-Transformer (ICLR 2022 Spotlight)复现过程及问题

				
			

			

				

					博观约取，厚积薄发
				

				

					07-01
					
					3041
					
				

			

		

		

			
				
Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy 复现

			
		

	





	

		

			

				
					
Anomaly-Transformer (ICLR 2022 )代码复现

				
			

			

				

					hhx_1220的博客
				

				

					03-14
					
					1205
					
				

			

		

		

			
				
anomaly-transformer代码复现

			
		

	



		

			
		



	

		

			

				
					
Learning Memory-guided Normality for Anomaly Detection阅读笔记

				
			

			

				

					weixin_43540533的博客
				

				

					03-19
					
					517
					
				

			

		

		

			
				
Learning Memory-guided Normality for Anomaly Detection阅读笔记
Abstract
我们解决异常检测的问题，即检测视频序列中的异常事件。
传统上，异常检测方法，通过重建输入的视频帧来学习正常情况的模型，训练时没有异常样本，测试时使用重建误差来量化异常的程度。
这些方法的主要缺点就是没有考虑正常样本的多样性，CNNs的能力太强，对于输入是异常的视频帧样本，也能重建的像异常视频帧，从而导致重建误差较小，无法区分异常数据。为了解决这个问题，提出一种无监督的异常检

			
		

	





	

		

			

				
					
[论文阅读笔记]Learning Memory-guided Normality for Anomaly Detection

				
			

			

				

					suelta_th的博客
				

				

					09-24
					
					4141
					
				

			

		

		

			
				
论文发表年限：CVPR，2020
作者：Hyunjong Park、Jongyoun Noh、Bumsub Ham
论文下载地址：Learning Memory-guided Normality for Anomaly Detection
github地址：https://github.com/cvlab-yonsei/MNAD
摘要：异常检测、无监督
Motivation
现有的方法没有考虑到正常行为（normal）的多样性。同时强大的CNN网络能够重构异常行为（abnormal），导致不能检测出异常行为

			
		

	





	

		

			

				
					
(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 1 基于重构的方法

					
热门推荐

				
			

			

				

					要相信光
				

				

					11-24
					
					1万+
					
				

			

		

		

			
				
文章目录前言1. 基线 AE/VAE2. 基于inpainting思想2.1 SMAI (BMVC2020)2.2 SCADN (AAAI2021)2.3 RIAD (PR2021)3. 基于Memory Bank3.1
前言
在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然能够正常重构，而异常样本由于分布的差异，导致重构效果较差，从而可以通过像素级的比较得到异常得分，判断一个样本

			
		

	





	

		

			

				
					
cvpr2019_Pyramid-Feature-Attention-Network-for-Saliency-detection:显着性检测的金字塔特征选择网络的代码和模型

				
			

			

				

					05-11
				

			

		

		

			
				
赵婷和吴相干撰写的CVPR 2019论文“用于显着性检测的金字塔特征注意网络”的源代码。 （ ） 下载显着性地图 为了方便起见，我们提供了本文中使用的基准数据集的显着性图。  Google：  百度：提取：9yt5 设置 安装...

			
		

	





	

		

			

				
					
CVPR-2020-point-cloud-analysis:专注于点云分析的CVPR 2020论文

				
			

			

				

					05-28
				

			

		

		

			
				
CVPR-2020点云分析专注于点云分析的CVPR 2020论文[][][][] segmention [] segmention classification [] compression oral completion [代码] 基于图像的3D对象检测的端到端伪LiDAR [代码] 点网络segmentation 更...

			
		

	





	

		

			

				
					
Awesome-CVPR2021-CVPR2020-Low-Level-Vision:CVPR2021CVPR2020低层视觉的论文和代码合集

				
			

			

				

					04-11
				

			

		

		

			
				
Low-Level-VisionA Collection of Papers and Codes for CVPR2021/CVPR2020 Low Level Vision or Image Reconstruction整理汇总了下2021年CVPR和2020年CVPR底层视觉(Low-Level Vision)相关的一些论文和代码，包括超...

			
		

	





	

		

			

				
					
MNAD:在PyTorch中“学习记忆指导的异常检测正常性”（CVPR 2020）的正式实施

				
			

			

				

					05-02
				

			

		

		

			
				
PyTorch实施“学习内存指导的异常检测正常性”
  这是论文“学习内存指导的异常检测正常性（CVPR 2020）”的实现。 有关更多信息，请查看项目站点[]和论文[  ]。
依存关系
Python 3.6
 PyTorch 1.1.0
 脾气暴躁的
斯克莱恩
数据集
USCD Ped2 []
 中大大道[]
 ShanghaiTech []
 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR 2018）”的官方github。
 将数据dataset下载到数据dataset文件夹中，例如./dataset/ped2/
更新
21年2月4日：我们上传了基于重建方法的代码，并预先训练了用于Ped2重建，大道预测和大道重建的方法。
训练
训练和测试代码基于预测方法
现在，您可以基于预测和重构方法对代码进行隐含标记。
 这些代码基本上是基于预测方法的，您可以轻松地将其实现为
git c

			
		

	





	

		

			

				
					
CVPR-2020-2021-Image-Segmentation-and-detection-challenge

				
			

			

				

					03-30
				

			

		

		

			
				
CVPR-2020-2021 卫星地球图像分段与检测挑战。  让我们分割卫星地球图像。  这是由CVPR 2020和2021发布的公开比赛]农业视觉数据集，获奖挑战赛和研讨会：  与许多伟大的合作者共同努力，将农业和计算机视觉/人工智能...

			
		

	





	

		

			

				
					
论文复现 | Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy

					
最新发布

				
			

			

				

					一颗蚂蚱
				

				

					12-23
					
					1750
					
				

			

		

		

			
				
日志级记录复现Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy

			
		

	





	

		

			

				
					
Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测

				
			

			

				

					唐人的博客
				

				

					03-15
					
					1868
					
				

			

		

		

			
				
又是一篇在自编码器框架中研究使用记忆模块的论文，可以看做19年的iccv的论文的衍生，在我的博客中对19年iccv这篇论文也做了简单介绍。韩国人写的，应该是吧，这名字听起来就像。

摘要abstract

我们解决异常检测的问题，即检测视频序列中的异常事件。基于卷积神经网络的异常检测方法通常利用代理任务(如重建输入视频帧)来学习描述正常情况的模型，而在训练时看不到异常样本，并在测试时使用重建误差来量化异常的程度。这些方法的主要缺点是没有明确考虑正常模式的多样性，而CNNs强大的表示能力允许重建异常的视频..

			
		

	





	

		

			

				
					
Learning Memory-guided Normality for Anomaly Detection论文解析

				
			

			

				

					qq_50156123的博客
				

				

					11-11
					
					4905
					
				

			

		

		

			
				
近日拜读了本篇论文，有以下理解：

1.问题研究背景

 检测视频序列中的异常事件（如人行道上的车辆）的问题对监控和故障检测系统尤为重要。由于一些原因，它是极具挑战性的。首先，异常事件是根据不同的情况而确定的。也就是说，同样的活动可能是正常的，也可能是不正常的（例如，在厨房或在公园里拿刀)。在这种情况下，手动注释异常事件是劳动密集型的。其次，收集异常数据集需要大量的努力，因为异常事件在现实生活中很少发生。因此，异常检测通常被认为是一个无监督的学习问题，目的在于学习一个描述常态的模型，没有异常的样...

			
		

	





	

		

			

				
					
Learning Memory-guided Normality for Anomaly Detection 论文解析——模型介绍

				
			

			

				

					m0_51951959的博客
				

				

					11-09
					
					1665
					
				

			

		

		

			
				
Learning Memory-guided Normality for Anomaly Detection模型介绍
本文为对 Learning Memory-guided Normality for Anomaly Detection一文所提出的创新模型的介绍。

如图所示，该模型为对传统卷积自编码器的优化，主要模块可分为三个部分：Encoder、Memory Module和Decoder。
Network architecture
Encoder and Decoder
本文在U-Net的基础上对Enc

			
		

	





	

		

			

				
					
CVPR代码复现(ML-GCN论文阅读以及Keras(多标签分类)代码实现)

				
			

			

				

					weixin_39521013的博客
				

				

					12-05
					
					2568
					
				

			

		

		

			
				
CVPR代码复习,ML-GCN(Keras实现)

			
		

	





	

		

			

				
					
Learning Memory-guided Normality for Anomaly Detection

				
			

			

				

					IT_BOY__的博客
				

				

					10-27
					
					1842
					
				

			

		

		

			
				
论文链接：Learning Memory-guided Normality for Anomaly Detection

开源代码：https://github.com/cvlab-yonsei/MNAD
创新点：提出了不同正常模式的记忆模块，可以有效地记忆正常数据的多样性。在这篇论文中，作者认为CNN特征的表达能力很强，很可能会将正常数据重构成异常数据。在这种情况下，他将正常数据分成若干种模式，在记忆模块里表现为M个记忆单元（其实也就是特征向量）。当通过Encode提取到了CNN特征时，而不是直接进行重构

			
		

	





	

		

			

				
					
【视频异常检测】Learning Memory-guided Normality for Anomaly Detection 论文阅读

				
			

			

				

					weixin_44609958的博客
				

				

					12-05
					
					1954
					
				

			

		

		

			
				
我们致力于解决异常检测的问题，即在视频序列中检测异常事件。基于卷积神经网络（CNNs）的异常检测方法通常利用代理任务，比如重建输入视频帧，以在训练时学习描述正常情况的模型，而不在训练时接触异常样本，并在测试时利用重建误差来量化异常的程度。这些方法的主要缺点是它们未明确考虑正常模式的多样性，而CNNs强大的表示能力允许其重建异常视频帧。为了解决这个问题，我们提出了一种无监督学习方法来进行异常检测，明确考虑了正常模式的多样性，同时减小了CNNs的表示能力。

			
		

	





	

		

			

				
					

				
			

			

				

					
				

			

		

		

			
				

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值