![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
视频异常事件挖掘
文章平均质量分 83
视频异常事件挖掘,入门知识请看文章深入学习入门前戏
加一点点醋
博士在读
展开
-
用元原型网络学习视频中的常态动态
摘要:基于自动编码器的帧重建(当前或未来帧)是一种流行的视频异常检测方法。在正常数据上训练模型时,异常场景的重建误差通常比正常场景大得多。以前的方法将记忆库引入到声发射中,用于在训练视频中编码不同的正常模式。然而,它们消耗内存,无法处理测试数据中看不见的新情况。在这项工作中,我们提出了一个动态原型单元(DPU)来编码正常的动态实时原型,没有额外的内存成本。此外,我们将元学习引入我们的DPU,形成了一个新颖的少镜头常态学习者,即元原型单元。它只需更新几次就能在新场景中实现快速适应能力。在各种基准上进行..原创 2021-05-11 19:16:30 · 314 阅读 · 0 评论 -
Few-Shot Scene-Adaptive Anomaly Detection 少镜头场景的自适应异常检测
摘要我们解决了视频中的异常检测问题。目标是通过专门从正常视频中学习来自动识别异常行为。大多数现有方法通常需要大量数据,并且泛化能力有限。他们通常需要在目标场景的大量视频上进行训练,才能在该场景中取得良好的效果。在本文中,我们提出了一个新的少镜头场景自适应异常检测问题,以解决以往方法的局限性。我们的目标是学会在以前看不见的只有几帧的场景中检测异常。这个新问题的可靠解决方案在现实世界的应用中将有巨大的潜力,因为为每个目标场景收集大量数据是昂贵的。我们提出了一种基于元学习的方法来解决这个新问题;大量实验结果证原创 2021-04-12 21:35:16 · 1731 阅读 · 2 评论 -
基于距离判定的视频异常事件检测
Real-Time Anomaly Detection and Localization in Crowded ScenesCVPR 2015的一篇文章,相对有点老了,不过最近在研究综述,拿出来简单了解一下结构方法和思想。Abstract本文提出了一种拥挤场景下的实时异常检测与定位方法。每个视频被定义为一组不重叠的立方块,并且使用两个局部和全局描述符来描述。这些描述符从不同方面捕获视频属性。通过结合简单而经济的高斯分类器,我们可以区分视频中的正常活动和异常。局部特征和全局特征基于相邻块之间的结构原创 2021-04-01 16:50:24 · 538 阅读 · 2 评论 -
Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测
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..原创 2021-03-15 15:44:57 · 1850 阅读 · 1 评论 -
Memorizing Normality to Detect Anomaly ——记忆正常以检测异常
Memorizing Normality to Detect Anomaly: Memory-augmented DeepAutoencoder for Unsupervised Anomaly Detection记忆正常检测异常:记忆增强型深度自动编码器无监督异常检测中国人挂了一堆外国人Abstract深度自动编码器在异常检测中得到了广泛的应用。通过对正常数据的训练,期望自动编码器对异常输入产生比正常输入更高的重建误差,并将其作为识别异常的判据。然而,这一假设在实践中并不总是成.原创 2021-03-02 16:56:00 · 1917 阅读 · 0 评论 -
REMEMBERING HISTORY WITH CONVOLUTIONAL LSTM FOR ANOMALY DETECTION——利用卷积LSTM记忆历史进行异常检测
上海科技大学的文章,上海科技大学有个组一直在做这方面的工作,好文章挺多的还有数据集。ABSTRACT本文解决了视频中的异常检测问题,由于异常是无界的,所以异常检测是一项极具挑战性的任务。我们通过利用卷积神经网络(CNN或ConvNet)对每一帧进行外观编码,并利用卷积长期记忆(ConvLSTM)来记忆与运动信息相对应的所有过去的帧来完成这项任务。然后将ConvNet和ConvLSTM与自动编码器相结合,即ConvLSTM-AE,学习普通时刻的外观和运动规律。与基于三维卷积自动编码器的异常检测相比..原创 2021-02-22 20:54:32 · 832 阅读 · 0 评论 -
Joint Detection and Recounting of Abnormal Events by Learning Deep Generic Knowledge ——通过学习深度泛型知识实现异
外国人写的。无监督的Abstract研究了视频中异常事件的联合检测和描述问题。叙述异常事件,即解释为什么它们被判断为异常,在视频监控中是一项未被探索但至关重要的任务,因为它帮助人类观察者快速判断它们是否是假警报。为了以人类可理解的形式描述事件以进行事件叙述,学习关于视觉概念(例如,对象和动作)的一般知识是至关重要的。虽然卷积神经网络(CNNs)在学习这些概念方面取得了很好的成果,但由于异常检测的环境依赖性,如何有效地利用CNN进行异常事件检测仍然是一个悬而未决的问题。我们的方法首先通过多个视觉任..原创 2021-02-21 20:59:30 · 437 阅读 · 2 评论 -
Learning Temporal Regularity in Video Sequences——视频序列的时间规则性学习
Learning Temporal Regularity in Video SequencesCVPR2016 无监督视频异常事件检测早期工作摘要由于对“有意义”的定义不明确以及场景混乱,因此在较长的视频序列中感知有意义的活动是一个具有挑战性的问题。我们通过在非常有限的监督下使用多种来源学习常规运动模式的生成模型(称为规律性)来解决此问题。体来说,我们提出了两种基于自动编码器的方法,以使其能够在很少或没有监督的情况下工作。我们首先利用传统的手工制作的时空局部特征,并在这些特征上学习完全连接的自动原创 2021-02-20 22:14:09 · 1319 阅读 · 1 评论 -
pytorch时空数据处理3——ConvLSTM介绍及应用
ConvLSTM最早由《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》论文提出,目的是用于解决降水预报问题。降水预报问题通常被看做时序上的问题,因此被考虑使用LSTM来解决,但是单纯的LSTM不能通过图片来利用空间上的数据特征,因此空间特征在这个LSTM方法中利用是很不充分的。根据以上的描述,论文提出一种ConvLSTM结构,不仅能够建立类似LSTM时序关系,而且可以拥有类似CNN的空原创 2021-02-14 23:50:06 · 41205 阅读 · 19 评论 -
基于中心引导判别学习的弱监督视频异常检测
WEAKLY SUPERVISED VIDEO ANOMALY DETECTION VIA CENTER-GUIDED DISCRIMINATIVE LEARNING基于中心引导判别学习的弱监督视频异常检测abstract由于异常视频内容和时长的多样性,监控视频中的异常检测是一项具有挑战性的任务。在本文中,我们将视频异常检测看作是一个弱监督下视频片段异常分数的回归问题。因此,我们提出了一个称为异常Regression Net(AR-Net)的异常检测框架,它在训练阶段只需要视频级别的标签。此外,原创 2021-02-12 23:09:26 · 1625 阅读 · 0 评论 -
视频异常检测数据集总结
视频异常检测数据集介绍与下载,会更新。原创 2021-02-11 12:12:51 · 5241 阅读 · 16 评论 -
pytorch时空数据处理1——LSTM介绍及图像分类
了解LSTM网络(From http://colah.github.io/posts/2015-08-Understanding-LSTMs/)递归神经网络简单提要遗忘门:第一个利用上一次的输出和这次的输入通过sigmoid函数的0~1的取值转化为一个权重矩阵,通过与Ct-1相乘按权重矩阵值选择性保留Ct-1中的信息。输入门:(可详细分为左边输入门那些作为输入,右边更新门哪些需要强调)输出门:输出门用来控制当前的单元状态有多少被过滤掉。先将单元状态激活,输出门为其中每一项产生一个在.原创 2021-01-21 15:10:25 · 8970 阅读 · 4 评论