关于视频异常检测的一些东西

哥本哈根诠释2023 03-20 157

前言：

目前同学们对“简述异常检测的原理及优缺点”可能比较注重，同学们都想要了解一些“简述异常检测的原理及优缺点”的相关文章。那么小编同时在网络上搜集了一些有关“简述异常检测的原理及优缺点””的相关内容，希望我们能喜欢，同学们快快来学习一下吧！

目前视频异常检测主要有4种学习范式，分别为有监督、无监督、弱监督和自监督。

（１）有监督学习：有监督学习是指已知数据样本和其一一对应的标签，通过模型训练，将所有数据样本映射到不同类别标签的过程。对于视频异常检测，即指使用正常样本和异常样本以及相应的标签，训练一个二分类器进行异常检测。但是，由于异常视频的稀缺性，使得基于有监督学习的视频异常检测方法较为少见。

（２）无监督学习：基于无监督学习的异常视频检测是指不依赖视频标注信息，依靠样本数据之间的相似性对正常样本进行学习、聚类或分布建模，测试时把远离正常样本的视频看作异常，进而实现异常检测。使用无监督学习范式进行视频异常检测通常需要提供充足的正常视频数据。

（３）弱监督学习：基于弱监督学习的视频异常检测是指仅依赖视频级标注信息进行建模，在测试时可进行逐帧或视频片段的异常检测。基于弱监督学习的视频异常检测方法对于数据的标签依赖大幅降低，不再依赖逐帧标签，很大程度上降低了数据的标注工作量，方便使用大规模数据集，进而可增强检测方法对不同场景的适应能力，以及对不同异常类型的检测性能。

（４）自监督学习：基于自监督学习的视频异常检测是指模型直接从无标签数据中自行学习，无需标注数据。自监督学习不再依赖标注，而是通过学习数据各部分之间的联系，从大规模的无标签数据中挖掘自身的监督信息生成的标签，用于指导自身进行训练。自监督视频异常检测方法通常考虑的是一种更具有挑战的实验设置，即不依赖任何训练数据。

对于深度学习视频异常检测，可以从区分正常视频和异常视频的基本原理出发，将基于深度学习的视频异常检测方法分为基于重构的方法、基于预测的方法、基于分类的方法和基于回归的方法，按照这个路线进行学习。

从区分正常视频和异常视频的基本原理出发，可以将基于深度学习的视频异常检测方法分为基于重构的方法、基于预测的方法、基于分类的方法和基于回归的方法。

基于重构的视频异常检测方法的核心思想是通过训练正常视频数据来获得正常数据的分布表示。在测试过程中，正常测试样本会具有较小的重构误差，而异常样本的重构误差则较大，从而实现视频的异常检测。一种常用的重构方法为自编码器，基于重构的视频异常检测的另一种常用方法为稀疏编码，其思想主要是通过构造一组能够表达正常视频的字典，使得正常视频能够通过该字典很好地重构出来，而异常的视频则会变得模糊甚至无法重构。

基于预测的视频异常检测方法通常假定一段连续的正常视频存在某种有规律的上下文联系，可以学习这种依赖关系并较好地预测未来帧，而异常视频往往违背这些依赖关系，导致未来帧不可预测。

基于分类的视频异常检测方法主要分为单分类和多分类2种。基于单分类方法的视频异常检测的主要思想是通过正常视频数据训练一个单类分类器，在测试过程中分类器只需要判别给定数据是否属于该类即可。

基于回归的方法的主要思想是将异常得分作为评估指标，设置适当的阈值，若异常得分高于阈值，则将其视作异常，否则便为正常。