视频异常检测的深度学习:一篇评论

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 视频异常检测 (VAD) 对于识别视频中不寻常事件至关重要.
• 深度学习显著提升了VAD的功能和应用.
• 现有的调查没有全面覆盖最近的VAD方法和监督类型.

研究的目的:

• 提供基于深度学习的VAD方法的广泛和全面审查.
• 涵盖VAD类别的广泛范围,包括半监督,弱监督,完全监督,无监督和开放式监督学习.
• 包括最新的VAD作品,利用预训练的大型模型和开放世界的学习.

主要方法:

• 基于监督级别的VAD方法的分类 (半监督,弱监督,完全监督,无监督,开放式监督).
• 包括使用预训练的大型模型和开放世界学习的最新方法.
• 对文献,数据集,开源代码和评估指标进行系统审查.

主要成果:

• 这里介绍了一个精心组织的 VAD 方法分类学.
• 讨论了不同VAD方法的特性和性能比较.
• 该审查通过包括更广泛的VAD类别和先进方法来解决以前调查的局限性.

结论:

• 提供了对当前VAD格局的全面了解.
• 确定了VAD社区的主要研究方向.
• 本综述是视频异常检测研究人员和从业人员的宝贵资源.