小菜鸡的学习记录

提出了一种多序列学习(Multi-Sequence Learning MSL)方法，它使用由多个实例组成的序列作为优化单元。基于多序列学习及其排序损失，我们设计了一个基于 Transformer 的多序列学习网络，并提出在推理阶段使用视频级异常分类概率来抑制片段级异常得分的波动。通过逐渐减少所选序列的长度，我们提出了一种两阶段自训练策略，以逐步细化异常分数，因为VAD需要预测细粒度的异常分数

关于弱监督的一些论文记录。（以便自己学习总结）

几篇关于视频异常检测的论文笔记

为了缓解上面提到的问题，我们提出了一种新的方法来训练AEs，目标是只重建正常数据，而不管输入（即正常或异常）。一种基于伪异常的新方法，该方法只鼓励正常数据重建，以在OCC设置中训练AEs提出两种类型的伪异常，基于patch and skip frame，以模拟异常

我们提出了一种仅使用正常数据生成伪异常的时间伪异常合成器。然后训练AE以最大化伪异常的重建损失，同时最小化正常数据的重建损失。通过这种方式，对AE进行编码，为正常和异常帧生成可区分的重建。...

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。...

我们提出了一种用于视频异常检测的基于残差注意力的自动编码器，它以统一的方式编码空间和时间信息

引入了一种新的神经块SSPCAB（Self-Supervised Predictive Convolutional Attentive Block），该神经块由一个掩码卷积层和一个通道注意模块组成，用于预测卷积接受域中的一个掩码区域。

对象级别通过自监督和多任务学习来实现视频中的异常事件检测

本文从一个新的角度全面回顾了基于深度学习的视频异常检测方法。具体来说，我们分别总结了深度学习模型在视频异常检测任务中的机遇和挑战。我们提出了智能视频异常检测系统在各个应用领域的几个潜在的未来研究方向。此外，我们总结了当前视频异常检测深度学习方法的特点和技术问题。......