Kiwi's Blog

与这世界的美好,终将相遇

弱监督视频异常检测

Weakly Supervised VAD

Weakly Supervised VAD | 弱监督视频异常检测 一直以来,异常检测都是focus on 无监督(也有说是半监督),所需要挑战的数据集多是监控视频下的行人道上的数据集,所要挑战的异常都是未见物体/异常运动(快速运动为主)。这些数据集和真实情景期望解决的危险有所差别,于是[1]提出了UCF-Crime数据集,并且引入了弱监督的多示例学习的方法进入异常检测。 1. CVPR...

CVPR 2019 | 基于骨骼点轨迹的规律学习的异常检测

CVPR 2019| Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos Anomaly Detection

paper code 1. Overview 视频异常检测很多依赖于像素级的表观和动作特征,这也会使模型对于噪音敏感,且与背景有较大的相关,而背景的冗余信息会增加模型的负担。另外异常检测追求可解释性,检测异常也想知道异常的触发的原因。 在姿态检测已经较为成熟的现在,结合姿态估计,抽取skeleton,对skeleton进行规律学习,那么异常检测部分就能大大降低负担(当然姿态检测端就比较...

ICCV 2019 | 记住正常来发现异常:记忆增强的自编码器以无监督异常检测

ICCV 2019| Memorizing Normality to Detect Anomaly: Memory-augmented DeepAutoencoder for Unsupervised Anomaly Detection

ICCV 2019 | 记住正常来发现异常:记忆增强的自编码器以无监督异常检测 paper project page code 1. Overview 1.1 Motivation 自编码器在异常检测中广泛的使用(对此的总结回顾可参考异常检测概述(二):Reconstruction Model),在半监督/无监督的设定下,AE是期望异常的重构损失是较大的,而正常则不然,那么就可以区分...

ICCV 2017 : 通过学习深度属性知识以异常检测与解释

ICCV 2017: Joint Detection and Recounting of Abnormal Events by Learning Deep Generic Knowledge

ICCV 2017 : 通过学习深度属性知识以异常检测与解释 1. Overview 现有的异常检测方法都是在做检测,但是异常的判定原因也是应当关注的点,这有助于人去理解与决策。本文把Multimedia Event Recounting(MER)与异常检测联系起来,通过物体检测与属性知识结合一起,能够同时做到对异常事件的检测和解释。 异常是罕见事件,且与正常事件相异,而异常事...

CVPR 2019: 物体为中心的自编码器与伪异常的视频异常检测

CVPR 2019: Object-Centric Auto-Encoders and Dummy Anomalies for Abnormal Event Detection

CVPR 2019: 物体为中心的自编码器与伪异常的视频异常检测 paper 1. Overview 一直以来,深度学习的视频异常检测大多局限于做帧级别的模型。但是如果仔细想想,在当前所有的数据集下,异常都是前景产生的,而前景是稀疏可分的,那么基于前景对象进行异常检测应当能起到一定的作用。 文中作者认为,可以利用分类的方法用于异常检测,构造一种类似监督的方法应该能够提高模型的表现能...

Hello 2019

"Hello World, Hello Blog"

“Yeah It’s on. ” Do you enjoy it ?

异常检测概述(二): 方法分类

Overview of Anomaly Detection,Part II, Taxonomy

重构方法是最传统的异常检测方法 异常检测概述 II Review of Anomaly Detection, Part II : VAD Taxonomy 本文在part I拖更了数个月,终于抽空写完,本文相对于上篇,更注重对于最近的方法研究进展的探索,评判。视频异常检测是一个相当偏向应用的子方向,其中相当多的进展,其实并不是本方向的探索,多是“拿来”相关方向的进展,然后用于本方...

异常检测概述(一)

Overview of Anomaly Detection,Part I

个人的异常检测论文总结 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 给定$x_1,x_2, …. x_N$,每一个$x_i$∈$R^d$ 拥有的数据集是混合有正常的点和异常的点 异常的点是由不同生成过程产生的,与正常点不同 1.2 三种异常检...

CVPR 2018:对抗训练的异常发现单类分类器

Adversarially Learned One-Class Classifier for Novelty Detection

Denoising AutoEncoder的CNN+对抗版本 Adversarially Learned One-Class Classifier for Novelty Detection code paper 1. Novelty Detection Novelty Detection 字面翻译是新颖性检测。本质上就是发现输入的新的对象/模式,其实就是Anomaly De...

CVPR2018: 更为鲁棒的分类器 卷积原型学习CPL

CVPR2018: A Robust Classifier --CPL

类似Center Loss,不过多子类中心 CVPR2018: 更为鲁棒的分类器 卷积原型学习CPL 一、 论文概述 本篇论文提出了导致CNN的鲁棒性的缺乏的原因,是最后的那一层softmax layer,由于softmax loss 是把问题设定在一个closed的空间,就不能很好的应用在open set的情境下。 softmax loss在0~8的训练集下...