文章概述了基于深度学习的视频异常检测方法，包括异常类型如外观异常、局部和全局异常、时间与空间异常。流程涉及特征提取、模型建立和测试，使用重构误差等评估。学习范式包括有监督、无监督等，每个都有其优缺点。评价方式关注精度和效率，常用数据集如UCSDPedestrain和CUHKAvenue。深度学习方法如自编码器和卷积神经网络用于特征表示，但实时性是挑战。文章还讨论了监控视频异常检测的挑战和智能视频事件检测的关键步骤，如前景提取和事件表示。
1基于深度学习的视频异常检测方法综述
1.1异常类型：外观异常=像素异常+帧异常=空间异常、运动异常=时间异常。
基于监控一般是单场景的异常检测
1.2流程：提取特征、建立模型、测试：测试样本输入模型（重构误差、预测误差、异常分数和峰值信噪比）
1.3.1异常的基本类型：
①局部异常和全局异常②时间异常和空间异常
1.3.2４种学习范式:
有监督、无监督、弱监督和自监督
①样本（正常+异常）+标签，一一对应（二分类器）
缺：异常视频的稀缺性。
②样本（正常）（无标签），（远离正常样本的视频看作异常）
缺：要提供充足的正常视频数据。
③仅依赖视频级标注信息进行建模
不依赖逐帧标签，降低工作量，方便大数据集，可增强对不同场景的适应能力，以及对不同异常类型的检测性能
④无标注（学习数据各部分之间的联系）
1.4评价方式：①精度优先②效率优先。
①检测和定位②更适合实际应用。
1.5异常检测方法
①基于重构的方法②基于预测的方法③基于分类的方法④基于回归的方法。（12是主流）
①自编码器②稀疏编码（正常视频可通过一组字典重构）
②一正常视频存在某种有规律的上下文联系
③根据视频和映射函数判断属于哪种类型
分类：单分类（单分类器）、多分类（自编码器的特征向量来表示全局特征，再将特征送入高斯 分类器进行二分类异常检测）
缺：不涉及定位
④将异常得分作为评估指标
①②依赖特征、适合异常少的视频、使用于视频少的数据集，检测+定位，无监督
③适应于有充足正常视频的数据集，训练时间长，检测+定位，无监督
④适用于大型数据集，需要视频数量多，弱监督，检测
1.6数据集
①ＵＭＮ 数据集：全局异常行为，视频数量少，重构
②subway：重构，视频数量少，异常视频少，异常种类单一。
③UCSD Pedestrain：局部异常行为，数量充足，重构+预测+分类。异常数量、种类多。
④CUHK Avenue：数量适中，重构、预测、分类，90.4%
⑤Street Scene：相对充足，重构、预测、分类，使用论文少。
⑥IITB-Corridor：数据多，回归+弱监督（视频级别、视频片段级别），目前使用少，异常数量、种类多。
1.7性能评估
①混淆矩阵②ROC曲线③等错误率
1.8缺点：深度学习的实时性差（预处理和特征提取时间成本高），精度高
2.监控视频异常检测：综述
2.1挑战:异常事件定义的场景依赖性,训练样本中包含噪声
学习范式：半监督、无监督。
2.2算法分类
①按算法发展阶段
传统机器学习：手工特征，传统机器学习方法，方 向 梯 度 直 方 图 、光 流 直 方 图 、３Ｄ 梯度、局部二值模式、轨迹
混合方法阶段：深度特征，传统机器学习方法
深度学习：端到端的神经网络模型检测异常
②按算法模型输入
点模型：单个时空块
序列模型：连续的时空块序列
图模型：一组相互关联的时空块
复合模型
3.智能视频异常事件检测方法综述
3.1异常事件检测技术
①半监督②无监督③弱监督
①训练：正常视频
②训练：正常异常视频均无标注（新兴）
③少量或者具有弱标注的包含异常 事件的视频（此类型的方法较少）
3.2关键步骤
3.2.1视频事件提取
前景区分：①梯度法②背景减除法③基于深度神经网络的方法
①最简单（相邻两帧之间相同像素位置上的灰度值是否发生剧烈变化）
②对背景进行建模，再将图像和背景模型相减
③只能够检测出在训练 时学习过的类别的物体；
前景提取：①滑动窗口法②目标检测法
①粗略，将独立完整的前景划分在几个不同的前景块里，开销大
②深度学习，识别种类+定位，无法检测训练集中没有的目标
深度神经网络出现，省略了视频时间提取的步骤，直接对原始帧进行处理。U-net
3.2.视频事件表示（找特征）
①基于特征工程的视频事件表示②基于深度表示学习的视频事件表示
①特征算子
②卷积神经网络（CNN）或循环神经网络（RNN）来学习视频的时空特征，并进行视频事件的表示和分类,基于重构，基于预测。基于预测：自编码器、U-Net、对抗生成网络
1378
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
