异常检测概述（一）： An Overview of Video Anomaly Detection，part 1

最新推荐文章于 2025-06-23 11:06:35 发布
原创 最新推荐文章于 2025-06-23 11:06:35 发布 · 7.9k 阅读 · 40 ·
CC 4.0 BY-SA版权
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。
文章标签：

#异常检测 #Video #人工智能 #计算机视觉

本文介绍了异常检测的定义与训练设定，重点讨论了视频异常检测的特性和挑战，包括数据集的选择和异常检测模型的分类。强调了在不同训练设定下，如Supervised、Clean和Unsupervised，如何利用ML方法，尤其是Isolation Forest，来识别异常。视频异常检测不仅涉及特征提取，还涵盖时序和空间信息的学习，是计算机视觉领域的一个复杂任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

视频异常检测概述

1 异常检测的问题定义及设定

本部分内容为【3】演讲内容整理，图片来自其演讲ppt，视频在最后的citation有link.

1.1 在ML中异常检测问题的定义

  1. 给定 x 1 , x 2 , . . . . x N x_1,x_2, .... x_N x1​,x2​,....x
最低0.47元/天 解锁文章

200万优质内容无限畅学
GAN、NLP：Generative Adversarial Networks(GANs)Tutorial in Python
AI天才研究院
07-31 1783
作者：禅与计算机程序设计艺术Generative Adversarial Networks (GANs), also known as GANs for short, are a type of deep learning model used to generate new data instances or images that appear realistic and plausible. They were originally proposed by Ian Goodfellow et al.
A Survey on Deep Learning Techniques Applied to medical image analysis
AI天才研究院
08-13 497
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
计算机视觉——基于深度学习检测监控视频发生异常事件的算法实现
知来者逆的博客
04-07 8365
视频异常检测（VAD）是一门旨在自动化监控视频分析的技术，其核心目标是利用计算机视觉系统来监测监控摄像头的画面，并自动检测其中的异常或非常规活动。随着监控摄像头在各种场合的广泛应用，人工监视已经变得不切实际，因为这一任务既单调又耗时。此外，监控设备的快速增长使得用人工有效监视大量摄像头变得日益困难，因此迫切需要自动化的解决方案。异常事件通常指的是在特定场景和时间下出现的不寻常活动，例如打斗、偷窃、纵火和事故等。这些事件是否被视为异常，很大程度上取决于它们发生的环境和上下文。
视频异常检测——Anomaly Detection in Video via Self-Supervised and Multi-Task Learning
shaoyue1234的专栏
04-19 2144
Anomaly Detection in Video via Self-Supervised and Multi-Task Learning文章资源问题描述思想做法网络结果存在的问题思考 文章 2021.CVPR.Anomaly Detection in Video via Self-Supervised and Multi-Task Learning 资源 问题描述 以往的方法都是单独考虑单个任务，在某些场景下不好： 如，车突然停了，但是重构预测都很好，就是因为没有考虑上下文。 思想 同时完成四项任务：
【视频异常检测】EventVAD: Training-Free Event-Aware Video Anomaly Detection
yhc0818的博客
06-23 745
视频异常检测（VAD）旨在识别视频中的异常情况。有监督方法需要大量的同类域训练数据，并且往往难以将这些方法应用于未见过的异常情况。相比之下，无需训练的方法利用大型语言模型（LLM）的内在世界知识来检测异常情况，但它们在定位精细的视觉转换和多样事件方面面临挑战。因此，我们提出了 EventVAD，这是一个事件感知的视频异常检测框架，它通过时间-事件推理将定制的动态图架构和多模态 LLM 结合在一起。具体而言，EventVAD 首先使用具有时间衰减约束的动态时空图模型来捕捉事件感知的视频特征。
视频异常检测
anyi6536的博客
05-15 675
安防作为近年最热门的计算机视觉研究落地方向，与视频分析研究有着很紧密的关系。在真实的监控视频中，一个常见的需求就是要自动识别视频流中的异常事件，也就是异常事件检测任务（Anomaly detection)。 这个任务有许多的难点，比如： 1.异常事件发生的频率很低，导致数据的收集和标注比较困难； 2.异常事件的稀少导致训练中的正样本远少于负样本； 3.在监控场景中，不管是通常（n...
视频异常检测 | UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection
小菜鸡的学习记录
08-26 4270
本文提出了一种新的公式，将视频异常检测帧作为有监督的开集分类问题。在我们的公式中，正常和异常事件在训练时都可用，但在推断时发生的异常属于一组不同的异常类型（不同于训练时的异常类别）。将异常检测作为有监督的开放集问题的主要优点有：（i） 由于训练时异常的可用性，允许使用完全监督的模型；(ii)由于在训练和测试时使用不相交的异常类别集，能在意外异常类型下的模型评估，（iii）能够在一类开集方法和弱监督闭集方法之间进行公平比较。...
【视频异常检测】Open-Vocabulary Video Anomaly Detection
L1783516140的博客
07-11 2743
当前具有弱监督的视频异常检测(VAD)方法固有地局限于封闭集设置，并且在开放世界应用中可能会遇到困难，因为在训练期间测试数据中可能存在不可见的异常类别。最近的一些研究试图解决一个更现实的设置，开放式VAD，其目的是在看到异常和正常视频的情况下检测未见的异常。然而，这种设置侧重于预测帧异常分数，没有识别特定异常类别的能力，尽管这种能力对于构建更智能的视频监控系统至关重要。本文进一步探讨了开放词汇表视频异常检测(OVVAD)，其中我们的目标是利用预训练的大型模型来检测并分类可见和未见的异常。
【视频异常行为检测】Video anomaly detection with spatio-temporal dissociation
qq_35823311的博客
02-16 1987
自编码器 重建+预测
An Overview of YOLOv8's Application in Object Detection
# Overview of YOLOv8 Application in Object Detection **1. Overview of the YOLOv8 Object Detection Algorithm** YOLOv8 marks a groundbreaking advancement in the field of object detection, elevating ...
Cybersecurity Challenges In The Uptake Of Artifitial Intelligence in Autonomous Driving [1]
weixin_40928171的博客
05-17 1880
• State-of-the-art literature survey on AI • Mapping of AVs’ functions to their respective AI techniques • Analysis of cybersecurity vulnerabilities • Presentation of possible attack scenario • Presentation of challenges and corresponding recommendations
视频异常检测——Appearance-Motion Memory Consistency Network for Video Anomaly Detection
shaoyue1234的专栏
04-19 1096
Appearance-Motion Memory Consistency Network for Video Anomaly Detection 文章资源问题描述思想做法算法结果存在的问题思考 文章 2021.AAAI.Appearance-Motion Memory Consistency Network for Video Anomaly Detection 资源 问题描述 现有方法只单独使用外观或运动信息，没有做融合 思想 融合外观和运动信息，捕捉他们的一致性 做法 网络输入是视频序列和光溜信息，然
视频异常检测 综述（一）
weixin_44636382的博客
08-31 5672
视频异常可以被认为是不正常的外观或运动属性的发生，或者正常的外观或运动属性在不正常的位置或时间发生。
​视频异常检测（VAD）​
qq_34717531的博客
09-29 1720
最后，该方法可以通过注意力忽略模糊的真实异常，并依赖于运动记忆项增加正常和异常运动之间的正常性差距。3）背景：现有的VAD方法通常学习正常样本的分布，并通过测量显著偏差来检测异常，但不良的泛化可能会重构一些异常，从而抑制偏差。同时，大多数VAD无法处理新目标领域的跨数据集验证，少样本方法必须依赖目标领域的模型调整来完成领域适应。是一种通过分析视频流中的行为或场景，检测视频中的异常事件的技术。4）方法：本文提出一种新的VAD方法，其中包含一个运动引导的记忆模块，以实现零样本的跨数据集验证。
【视频异常检测】Multi-Scale Video Anomaly Detection by Multi-Grained Spatio-Temporal Representation Learning
weixin_44609958的博客
06-26 2118
最近的视频异常检测进展表明，外观和运动特征在区分异常模式和正常模式中起着至关重要的作用。然而，我们注意到，异常的空间尺度影响被忽略了。许多异常事件发生在有限的局部区域，而严重的背景噪声会干扰对异常变化的学习。同时，大多数现有方法受限于粗粒度的建模方法，这些方法不足以学习高度辨别性的特征，无法区分小尺度异常与正常模式之间的细微差异。为此，本文通过多粒度时空表示学习来解决多尺度视频异常检测。我们利用视频连续性设计了三个代理任务，以在粗粒度和细粒度水平上执行特征学习，即连续性判断、不连续性定位和缺失帧估计。
视频异常检测——Robust Anomaly Detection in Videos Using Multilevel Representations
shaoyue1234的专栏
03-28 1468
文章 Robust Anomaly Detection in Videos Using Multilevel Representations,AAAI,2019 资源 github video 问题描述 底层次的特征存在问题 思想 用高层次的特征和低层次的特征结合，提高鲁棒性，解决低层次特征的问题 贡献 提出了MLAD（multi-level anomaly detection） 利用DA...
【视频异常检测】Video Anomaly Detection and Explanation via Large Language Models
最新发布
yhc0818的博客
06-23 646
视频异常检测（VAD）旨在识别视频序列中的异常事件。它在众多领域有着实际应用，包括智能制造[6]、交通监控[7, 14]和公共安全[16, 18]等。传统的 VAD 方法[13, 14, 18, 19, 24, 28]旨在根据视频的时间线预测异常分数，即每个视频帧对应一个异常分数。分数越高，表明该帧出现异常的可能性越大。这些基于异常分数的设计易于实现，但与 VAD 的理想模型仍有很大差距，理想模型应既自动（即无需手动选择阈值）又可解释（即能够解释为何某个事件是异常的）。
技术课程概述：传感与检测技术Overview (Ch1)
通过学习《传感与检测技术-概述.ppt》、《传感与检测技术Sensor Technology》这本课本以及《Advances in Sensor and Detection Technology》这篇论文，我们对传感与检测技术的相关知识有了更加全面和深入的了解。...
评论 10
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