.png){kind=icon}
返回
Spatial scene temporal behavior framework for anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105076.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督视频异常检测在公共安全中发挥着重要作用。然而，由于以下原因，它在实际场景中是一项具有挑战性的任务：i) 正常模式和行为的训练数据不完整；ii) 对新场景的适应性较弱。本文提出了一种空间场景时序行为（SSTB）框架，该框架同时考虑了少样本学习与场景迁移在异常检测中的应用。为此，我们首先引入了场景特征生成转换网络（Tnet），用于学习详细的场景信息。此外，我们在特征层面提出了内容损失和风格损失，以最大化场景生成的连贯性。同时，针对不同对象，我们设计了时序行为检测孪生网络（Snet），其中粗粒度特征和细粒度特征被顺序提取，以表示正常序列和伪异常序列上的时序行为。最终，我们的方法通过结合场景特征生成与时序行为检测的结果来实现异常检测。实验结果表明，在三个基准数据集上，我们的方法优于现有方法。
Keyword:
Anomaly detection
Unsupervised framework
Temporal behavior
Scene features
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
暂无机构信息
引用论文
Stabilizing Adversarially Learned One-Class Novelty Detection Using Pseudo Anomalies使用伪异常稳定对手学习的一类新颖性检测
OAAI
OAAI分享收藏
Human-related anomalous event detection via memory-augmented Wasserstein generative adversarial network with gradient penalty通过具有梯度惩罚的记忆增强Wasserstein生成对抗网络检测与人类相关的异常事件.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Enhancing video anomaly detection with learnable memory network: A new approach to memory-based auto-encoders利用可学习记忆网络增强视频异常检测：基于记忆的自动编码器的新方法
PREAI
分享收藏
查看更多内容