.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
在视频异常检测研究中，深度学习致力于精确高效地识别异常事件。然而，由于异常样本的稀缺性和多样性，现有方法未能充分考虑到位置和时序信息。此外，模型强大的泛化能力导致异常事件也能被良好地重建或预测。为解决上述挑战，我们提出了一种基于多级特征拼接的联合多任务学习3D网络，该网络以自动编码器（AE）作为骨干网络。首先，我们从空间视角设计了正常样本训练任务和Gaussian噪声任务，以增强正样本的重建能力；同时从时序视角设计了帧跳跃任务和视频逆序任务，以抑制负样本的重建能力。其次，我们在编码和解码过程中采用多级特征拼接，使网络具备从全局尺度探索充足信息的能力，并利用注意力门控模块过滤冗余特征。实验结果表明，我们的网络与当前最优方法具有竞争力。在AUC指标上，UCSD Ped2数据集达到99.3%，CUHK Avenue数据集达到88.4%，ShanghaiTech Campus数据集达到74.2%。
Keyword:
Video anomaly detection
Multi-task learning
Pseudo-anomaly
Feature splicing
Attention gating
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享.png){kind=icon}
收藏Video anomaly detection based on spatio-temporal relationships among objects基于对象间时空关系的视频异常检测.png)
NEUROCOMPUTING.png)
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Normal graph: Spatial temporal graph convolutional networks based prediction network for skeleton based video anomaly detection正常图: 基于时空图卷积网络的预测网络，用于基于骨架的视频异常检测NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Dynamic Distinction Learning: Adaptive Pseudo Anomalies for Video Anomaly Detection动态区分学习：用于视频异常检测的自适应伪异常
PREAI
分享收藏Improving video anomaly detection performance by mining useful data from unseen video framesNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Weakly-supervised anomaly detection in video surveillance via graph convolutional label noise cleaning视频监控中基于图卷积标签噪声清除的弱监督异常检测NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Abnormal Event Detection Using Deep Contrastive Learning for Intelligent Video Surveillance System基于深度对比学习的智能视频监控异常事件检测
PREAI
分享收藏Weakly Supervised Video Anomaly Detection via Self-Guided Temporal Discriminative Transformer基于自导时间判别变换器的弱监督视频异常检测
PREAI
分享收藏
查看更多内容