Ненормално откривање у видео запису великих података са побољшаним аутоматским кодером

1. Представљање

Као задатак компјутерског вида високог нивоа, откривање видео аномалија се односи на аутоматско откривање абнормалних догађаја у датој видео секвенци, која може ефикасно разликовати абнормалне и нормалне активности и абнормалне категорије у видео снимку. У последњих неколико година, истраживачи су спровели многа истраживања у вези са откривањем аномалија [1–9]. У поређењу са нормалним догађајима, догађаји који се ретко дешавају или имају малу вероватноћу појаве се обично сматрају ненормалним. Међутим, у пракси је тешко успоставити ефикасан модел детекције аномалија због непознатих типова догађаја и нејасних дефиниција аномалија. Већина постојећих метода детекције аномалија је дизајнирана на основу претпоставке да се сваки образац различит од наученог нормалног обрасца сматра аномалијом. На основу таквих претпоставки, иста активност у различитим сценаријима може бити представљена као нормални или абнормални догађаји. На пример, сцена борбе у којој се двоје људи туку на улици може се сматрати ненормалном, док су две особе нормалне када боксују. Поред тога, постоји велика количина сувишних визуелних информација у високодимензионалним видео подацима, што повећава потешкоће у представљању догађаја у видео секвенци.

Кинеска трава цистанцхе

Према досадашњим радовима, методе детекције аномалија се генерално могу поделити на два типа. Неке методе детекције аномалија су дизајниране кроз грешке у реконструкцији, које се фокусирају на моделирање нормалних образаца у видео секвенцама [3–5, 7, 8, 10, 11]. (ове методе уче модел представљања карактеристика нормалног обрасца у фази тренинга и користе разлике између абнормалних и нормалних узорака за одређивање коначног абнормалног резултата тестних података током фазе тестирања, као што су грешке реконструкције или специфични прагови [7 –14]. Иако су методе детекције аномалија засноване на реконструкцији добре у реконструкцији нормалних образаца у видео секвенцама, кључни проблем са овим методама је тај што се у великој мери ослањају на податке обуке. Друга врста метода сматра детекцију аномалија проблемом класификације [ 15, 16]. За ове методе, резултат аномалије видео секвенце се предвиђа коришћењем обученог класификатора за издвајање карактеристика као што су хистограм оптичког сапутника (ХОФ) или динамичке текстуре (ДТ). (Перформансе ових метода јесу). у великој мери зависи од узорака за обуку.Да би се постигао задовољавајући учинак, издвајање ефективних и дискриминативних карактеристика је од суштинског значаја за такве методе детекције аномалија [17–20]. Међутим, ове две врсте метода обично моделирају односе између догађаја на релативно једноставан начин [7, 10, 21–23]. На пример, разматра се само линеарни однос, што није довољно за сложене, изразито нелинеарне односе у многим случајевима из стварног света.

Пустињски живи цистанцхе

Последњих година методе засноване на дубоком учењу примењене су у области видео детекције и оствариле су велики напредак [24–26]. На пример, аутоенкодери (АЕ) користе грешке реконструкције да би открили аномалије, а на основу тога је побољшан низ метода. Поред тога, генеративне адверсаријске мреже (ГАН) и дуготрајна краткорочна меморија (ЛСТМ) су такође примењене за решавање проблема детекције аномалија. Међутим, АЕ може имати снажну способност генерализације, што резултира способношћу да се реконструишу абнормални догађаји. У [14], истраживачи су истакли да пошто не постоје абнормални узорци за обуку, реконструкција абнормалних узорака треба да буде непредвидива, што може довести до већих грешака у реконструкцији абнормалних узорака. Ако неке аномалије деле заједнички образац композиције са нормалним подацима за обуку или је декодер „прејак“ и не може добро да декодира неке кодове аномалија, онда АЕ може добро да реконструише аномалију. Да би се превазишли недостаци АЕ, овај рад користи меморијски модул за побољшање дубоког АЕ и развија методу АЕ (Мемори АЕ) са повећаном меморијом. Када се унесе нови пробни узорак, Мемори АЕ га неће директно кодирати и унети у декодер, већ ће га користити као упит за преузимање релевантног садржаја у меморијском модулу. (ср, садржај се агрегира и прослеђује у декодер. (процес се реализује адресирањем пажње. Штавише, овај рад користи диференцибилне операторе скупљања да би индуковао реткост тежине адресирања меморије, што може подстаћи меморијски садржај да приступи упитима у функцији простор. Током фазе обуке, кодер и декодер ажурирају меморијски модул у исто време да би добили мању просечну грешку реконструкције. У фази тестирања, научени меморијски садржај је фиксиран, а користиће се мала количина нормалних меморијских ставки за реконструкцију.Ако се они изаберу као суседство улазног кода, грешка реконструкције ће бити веома очигледна Експерименти на неколико јавних референтних скупова података показују да је перформанса детекције Меморије АЕ достигла стање технике.

Главни хемијски састојци Цистанцхе десертицола

2. Принцип алгоритма

Слика 1 приказује укупну мрежну структуру Мемори АЕ, која је подељена на три подструктуре: кодер (користи се за кодирање улаза и генерисање упита), декодер (користи се за реконструкцију) и меморијски модул (са меморијом и сродним операцијама адресирања). Као што је приказано на слици 1, с обзиром на догађај који треба тестирати, кодер прво добија своју кодирану вредност. Коришћењем кодиране вредности као упита, меморијски модул преузима најрелевантнији садржај у меморијском модулу преко оператора адресирања заснованог на пажњи, а затим га прослеђује декодеру на реконструкцију. Током обуке, кодер и декодер оптимизују параметре како би минимизирали грешку реконструкције и, у исто време, ажурирају меморијски модул како би снимили елементе прототипа кодираних нормалних података. Дати тестни узорак, модел користи само ограничене нормалне обрасце снимљене у меморијском модулу да изврши реконструкцију. На овај начин, реконструкција тежи да буде блиска нормалном узорку. Дакле, грешка реконструкције нормалног узорка је мала, а абнормална грешка велика.

Слика 1: (е дијаграм тока предложене меморије АЕ.

2.1. Кодери и декодери. (е кодер и декодер су два дела АЕ. (први мапира улазне податке у простор обележја да би добио његову кодирану вредност, а други реконструише кодирану вредност у улазне податке. (е АЕ се састоји од енкодер фв1 (·) и декодер гв2 (·), који се може изразити као

где је к и к′ улаз АЕ и реконструисани улаз, респективно, з су резултати кодирања к, а В1 и В2 означавају параметре енкодера и декодера, који се могу добити минимизирањем грешке реконструкције између к и к′:

Реконструкцијом грешке нормалног узорка [19, 20] да би се утврдило да ли је абнормалан, АЕ је успешно коришћен за решавање задатка детекције абнормалности. Међутим, реконструкција абнормалних узорака треба да буде непредвидива, што може резултирати већим грешкама у реконструкцији абнормалних узорака. Да би се решио овај проблем, меморијски модул је уведен у АЕ у одељку 2.2 и предложен је меморијски АЕ.

2.2. Меморијски модул. (Предложени метод укључује меморијски модул за снимање режима кодирања прототипа и операцију адресирања за приступ меморијском модулу.

2.2.1. Репрезентација заснована на пажњи. (Модул пажње је дизајниран као матрица М ∈ РН×Ц која садржи Н вектора у реалном времену. Ради једноставности, претпоставимо да је Ц димензија з; тада нека је Ζ � РЦ. Дат вектор реда ми, ∀и ∈ [ Н], где је [Н] цео број од 1 до Н. Сваки представља ми меморијску ставку; дајући скуп упита з ∈ РЦ, меморијска мрежа добија? з и одговара вектором меке адресе в ∈ Р1×Н као у наставку:

где је в вектор реда, а збир свих ставки је 1, што представља ви, ставку в од и. (Вектор тежине е се може добити з израчунавањем. Као што је приказано у једначини (4), тежина адресе треба да буде близу в меморијском модулу. (е мешовити параметар је дефинисан као Н, максимални капацитет меморијског модула. Иако је Н, није лако пронаћи најбоље за различите скупове података, на срећу, Мемори АЕ није осетљив на поставку Н. Довољно, велики Н се може добро применити на сваки скуп података.

2.2.2. Пажња за меморијско адресирање. У Мемори АЕ, меморијски модул је дизајниран за детаљно снимање оригиналног нормалног режима М фазе тренинга. (е меморијски модул је дефинисан као адресабилна меморија за садржај, з⌢, а његова шема адресирања израчунава в, тежину пажње, на основу сличности између упита и меморијске ставке. Као што је приказано на слици 1, свака тежина се може израчунати преко софтмак операција ви :

где д(·, ·) представља меру сличности. (да ли га папир дефинише као косинусну сличност:

Баш као и једначине (4)–(6), меморијски модул преузима најсличнију меморијску ставку да би добио репрезентацију з. Због ограничења величине меморије и ретке технологије адресирања, само мали број интерних меморијских ставки се може адресирати истовремено. (дакле, ефективно понашање меморијског модула може се објаснити на следећи начин. У фази обуке, декодер у Мемори АЕ је ограничен на коришћење веома мало адресираних меморијских ставки за реконструкцију, што захтева ефективну употребу меморијских ставки. (дакле, , током реконструкције, меморијски модул треба да буде присиљен да сними најрепрезентативнији прототипски режим у улазном нормалном режиму.У тестној фази, с обзиром на обучену меморију, само нормални режим у меморији може да се преузме за реконструкцију.(због тога , нормални узорци могу бити боље реконструисани. Обрнуто, кодирана вредност абнормалног улаза може бити замењена преузетим нормалним узорком, што резултира великом грешком реконструкције у абнормалном узорку.

2.3. Обука. Дат је скуп података који садржи узорке ки? ?ТИ�1, нека ки′ означава узорке реконструкције ки у узорцима за обуку; минимално рефакторисање се изводи на следећи начин:

(е л2 норма се користи за мерење грешке реконструкције; ви′ представља тежину адресирања меморије сваког узорка ки. Да би се додатно унапредила реткост в′, ретка регуларизација је минимизирана током тренинга. Узимајући у обзир да су сви в′ ненегативни и ‖в′‖1 � 1, проблем оптимизације се формира на следећи начин:

Комбиновањем функције губитка једначине (7) и једначине (8), циљна функција меморије АЕ је следећа:

ево хиперпараметра у процесу обуке. У пракси је подешен на 0.0002. У процесу обуке, меморија се ажурира путем пропагације уназад и градијента спуштања. У повратном ширењу, само градијент меморијске ставке са тежином адресирања различитом од нуле може бити различит од нуле.

2.4. Тест. Након што је модел обучен, грешка реконструкције пиксела на позицији (к, и) оквира зубаца т може се израчунати следећом једначином:

где х(·) представља цео модел. С обзиром на грешку реконструкције на нивоу пиксела десетог кадра, грешка реконструкције целог оквира слике може се добити сабирањем е(т) � . (к,и)е(к, и, т). (ср, оцена аномалије оквира може се израчунати на следећи начин:

Коначно, праг се може поставити да би се утврдило да ли је абнормалан као с(т) > θ.

3. Експериментишите

У овом одељку, ефикасност предложене методе је верификована и упоређена са другим постојећим методама. Тренутно се за експерименте користе два јавна скупа података, тј. скуп података Авенуе и скуп података СхангхаиТецх. (Подручје нивоа оквира испод криве (АУЦ) и ЕЕР се користе као индикатори квантитативне евалуације.

3.1. Припрема. (е Авенуе скуп података користи фиксну камеру резолуције 640 × 360 пиксела за снимање и снимање уличних активности Градског универзитета у Хонг Конгу. (е датасет Цомпутатионал Интеллигенце анд Неуросциенце 3 укључује 16 видео клипова за обуку који садрже нормално људско понашање и 21 тест видео клипова који садрже абнормалне догађаје и људско понашање. Има укупно 30652 кадра, а сви тест видео снимци имају напомене на нивоу циља, односно правоугаона област се користи за обележавање аномалија на просторним локацијама. Нормално понашање је да људи ходају по тротоар, док су абнормални догађаји људи који бацају/одбацују ствари, лутају, ходају према камери, ходају по трави и одбацују предмете. (СхангхаиТецх скуп података је веома изазовна колекција за откривање абнормалних догађаја. За разлику од других скупова података, садржи 13 различитих сцене са различитим условима осветљења и угловима камере, укључујући укупно 330 видео снимака за обуку и 107 тест видео снимака (е тестни сет садржи укупно 130 абнормалних догађаја са напоменама на нивоу пиксела. (Цео скуп података има укупно 316154 фрејмова, укључујући 274515 кадрова у сету за обуку, 42883 оквира у скупу за тестирање и 17090 оквира у абнормалном оквиру. (е резолуција сваког видео оквира је 480 × 856. (е модел је тестирано на платформи са хардверском платформом НВИДИА ГТКС1080ТИ и 8 ГБ видео меморије, а софтверско окружење је ПиТорцх и Питхон 3.6. У циљу мерења ефикасности методе за детекцију видео аномалија предложеног у овом раду, АУЦ нивоа оквира крива радне карактеристике пријемника (РОЦ) се користи као индекс евалуације. За индикаторе евалуације на нивоу оквира, ако је бар један пиксел оквира означен као ненормалан, оквир се сматра ненормалним. А АУЦ нивоа оквира се израчунава поређењем резултат детекције на нивоу оквира са нивоом оквира праве етикете.

Главни хемијски састојци Цистанцхе десертицола

Кликните овде да видите Цистанцхе производе

【Затражите више】 Е-пошта:cindy.xue@wecistanche.com / Вхатс Апп: 0086 18599088692 / Вецхат: 18599088692

3.2. Експериментална поставка. Сви видео оквири су подешени на 227 × 227 и затим конвертовани у слике у нијансама сиве. (е улаз модела је 227 × 227 × 5, односно 5 узастопних оквира се користи као улаз модела. После сваког конволуционог слоја, постоји слој за нормализацију серије и слој ексцитације РеЛУ. (е декодер укључује 4 деконволуциона слоја. (модул пажње је подешен да омогући сваком меморијском сегменту да сними обележје на пиксел у мапи обележја, што одговара подрегији видео сегмента. (дакле, меморијски модул је 10 00 × 64 матрица. (е Адам оптимизатор је изабран за оптимизацију параметара целог модела. (почетна стопа учења је 0,0001, а број итерација је 1000. (параметар импулса је ρ1 � 0,9 и ρ2 � 0,999, а величина серије је 128.

3.3. Експериментални резултати. Да би се доказала ефикасност предложеног метода у детекцији видео аномалија, у овом раду се упоређује са 12 различитих постојећих метода. Међу њима, МППЦА (хибрид пробабилистичког анализатора главних компоненти) плус СФ (друштвена моћ) [17] и МДТ (хибрид динамичке текстуре) [18] су методе засноване на ручним карактеристикама; Цонв-АЕ [8], 3Д Цонв [19], Стацкед РНН [20] и ЦонвЛСТМ-АЕ [21], МемНормалити [10] и ЦлустерАЕ [22] су све методе засноване на аутоенкодерима; АбнормалГАН [7] и Пред плус Рецон [23] заснивају се на методи генерисања адверсарилних мрежа. Табела 1 приказује резултате детекције видео аномалија на нивоу оквира различитих метода. Може се приметити да је, у резултатима два скупа података, метода заснована на АЕ обично боља од методе засноване на карактеристикама ручно рађених, и добијају се виши АУЦ на нивоу оквира. (је зато што се ручно израђене карактеристике обично издвајају на основу других задатака и стога могу бити неоптималне. У методама заснованим на АЕ, ЦонвЛСТМ-АЕ је бољи од Цонв-АЕ јер први може боље да ухвати информације о времену. Поред тога, такође може треба напоменути да методе засноване на ГАН-у раде боље од већине основних метода. Коначно, метода Мемори АЕ предложена у овом раду постиже АУЦ од 85,7 процената на нивоу оквира на скупу података Авенуе, што је 0,6 процената испред Пред плус Рецон са најбољим учинком. [23]; док је метода предложена у овом раду постигла 75,3 процента АУЦ на нивоу оквира на скупу података СхангхаиТецх, што је 2 процента испред других метода у АУЦ на нивоу оквира, а ефекат је веома очигледан. (углавном зато што предложени метод заснован на Мемори АЕ користи меморијске фрагменте, који могу добро да реконструишу аномалије и унесу неке случајне грешке. Поред тога, у поређењу са скупом података Авенуе, скуп података СхангхаиТецх је постигао виши АУЦ на нивоу оквира (углавном зато што скуп података СхангхаиТецх садржи више сцена и абнормалних догађаја који се раније нису појављивали у другим скуповима података, што је компликованије. Да би се верификовали резултати детекције једне сцене на скупу података СхангхаиТецх, за обуку и тестирање се користи видео сегмент једне сцене. 83 сегмента (25 процената ) се користе за обуку и 34 сегмента (32 процента ) се користе за тестирање, постижући 86.3 процената АУЦ на нивоу оквира, који је достигао ниво сличан оном у скупу података Авенуе. Укратко, предложена Мемори АЕ метода може се флексибилно применити на различите типове података. Само коришћењем грешака у реконструкцији, предложени метод може добити боље резултате уз најмање специфично знање. Да би се проценио учинак унапред дефинисаног меморијског модула у откривању абнормалних видео догађаја, следећи корак је промена величине меморијског модула и извођење експеримената на скупу података Авенуе, а вредности АУЦ нивоа оквира су дате у табели 2. може се открити да с обзиром на довољно велику величину меморијског модула, метода Мемори АЕ може робусно дати најбоље резултате. Када је величина меморијског модула већа од 1000, утицај на резултат детекције је мали, али употреба веће величине меморијског модула ће резултирати већом количином прорачуна, тако да се величина меморијског модула бира као 1000. Слике 2(а) и 2(б), респективно, показују неке резултате детекције у скупу података Авенуе и СхангхаиТецх. (е Табела 1: Поређење са најсавременијим методама у погледу АУЦ.

боље од методе засноване на карактеристикама ручне израде, а добијају се виши АУЦ на нивоу оквира. (је зато што се ручно израђене карактеристике обично издвајају на основу других задатака и стога могу бити неоптималне. У методама заснованим на АЕ, ЦонвЛСТМ-АЕ је бољи од Цонв-АЕ јер први може боље да ухвати информације о времену. Поред тога, такође може имајте на уму да методе засноване на ГАН раде боље од већине основних метода. Коначно, метода Мемори АЕ предложена у овом раду постиже 85,7 процената АУЦ на нивоу оквира у скупу података Авенуе, што је 0,6 процената испред Пред плус Рецон [23] метод са најбољим учинком; док је метода предложена у овом раду постигла 75,3 процената АУЦ на нивоу оквира на скупу података СхангхаиТецх, што је 2 процента испред других метода у АУЦ на нивоу оквира, а ефекат је веома очигледан . (углавном зато што предложени метод заснован на Мемори АЕ користи меморијске фрагменте, који могу добро да реконструишу аномалије и унесу неке случајне грешке. Поред тога, у поређењу са скупом података Авенуе, скуп података СхангхаиТецх је постигао виши АУЦ на нивоу оквира. (је углавном зато што скуп података СхангхаиТецх садржи више сцена и абнормалних догађаја који се раније нису појављивали у другим скуповима података, што је компликованије. Да би се верификовали резултати детекције једне сцене на скупу података СхангхаиТецх, за обуку и тестирање се користи видео сегмент једне сцене. 83 сегмента (25 процената ) се користе за обуку и 34 сегмента (32 процента ) се користе за тестирање, постижући 86.3 процената АУЦ на нивоу оквира, који је достигао ниво сличан оном у скупу података Авенуе. Укратко, предложена Мемори АЕ метода може се флексибилно применити на различите типове података. Само коришћењем грешака у реконструкцији, предложени метод може добити боље резултате уз најмање специфично знање. Да би се проценио учинак унапред дефинисаног меморијског модула у откривању абнормалних видео догађаја, следећи корак је промена величине меморијског модула и извођење експеримената на скупу података Авенуе, а вредности АУЦ нивоа оквира су дате у табели 2. може се открити да с обзиром на довољно велику величину меморијског модула, метода Мемори АЕ може робусно дати најбоље резултате. Када је величина меморијског модула већа од 1000, утицај на резултат детекције је мали, али употреба веће величине меморијског модула ће резултирати већом количином прорачуна, тако да се величина меморијског модула бира као 1000. Слике 2(а) и 2(б), респективно, показују неке резултате детекције у скупу података Авенуе и СхангхаиТецх. (оквири у зеленој кутији су нормални кадрови из обичних видео клипова, а кадрови у црвеном пољу су абнормални кадрови из абнормалних видео клипова. Неки абнормални догађаји као што су испуштање конфета, вожња бициклом по тротоару, премлаћивање итд. бити откривена.

Табела 2: (е утицај броја величине меморије на експерименталне резултате скупа података Авенуе (АУЦ/проценат на нивоу оквира).

Слика 2: Примери резултата детекције. (а) Пример из скупа података Авенуе. (б) Пример из скупа података СхангхаиТецх.

4. Закључак

(У овом раду се предлаже Мемори АЕ за побољшање перформанси откривања аномалија великих података у видео записима. На основу инпута, предложени Мемори АЕ метод прво користи кодер да би добио кодирану репрезентацију, а затим користи код као упит за проналажење најрелевантнијег обрасци у меморијском модулу за реконструкцију Пошто је меморијски модул обучен да снима типичне нормалне обрасце, предложени Мемори АЕ може добро реконструисати нормалне узорке и повећати грешку реконструкције абнормалности, што јача улогу грешке реконструкције као стандарда за детекцију абнормалности. Експерименти на два скупа података доказују свестраност и ефикасност предложене методе.У будућности ћемо проучавати употребу тежине адресирања за детекцију аномалија.С обзиром да је предложени меморијски модул универзалан и нема никакве везе са структуром кодера и декодер, биће интегрисан у сложенији основни модел и коришћен у експериментима на захтевнијим скуповима података.

Цистанцхе додатак близу мене-Побољшање памћења

Референце

[1] Ф. Донг, И. Зханг и Кс. Ние, "Дуал дискриминатор генеративе адверсариал нетворк фор видео аномали детецтион," ИЕЕЕ Аццесс, вол. 8, стр. 88170–88176, 2020.

[2] К. Досхи и И. Иилмаз, „Детекција секвенцијалних аномалија било којим снимком у видео снимцима надзора“, у Процеедингс оф ЦВПРВ, стр. 934-935, Сијетл, Вашингтон, САД, јун 2020.

[3] К. Досхи и И. Иилмаз, „Стално учење за откривање аномалија у видео-снимцима надзора“, у Процеедингс оф тхе ЦВПРВ, стр. 254-255, Сијетл, Вашингтон, САД, јун 2020.

[4] К. Јаианта, "Дутта анд Бонни Банерјее. Онлине детекција абнормалних догађаја користећи инкременталну дужину кодирања", у Процеедингс оф АААИ, стр. 3755–3761, Остин, Тексас, САД, јануар 2015.

[5] И. Фенг, И. Иуан и Кс. Лу, "Учење дубоких модела догађаја за откривање аномалија гомиле," Неуроцомпутинг, вол. 219, стр. 548–556, 2017.

[6] Д. Гонг, Л. Лиу, В. Ле ет ал., „Памћење нормалности ради откривања аномалије: дубоки аутоенкодер са повећаном меморијом за детекцију аномалија без надзора“, у Процеедингс оф ИЦЦВ, стр. 1705–1714, Сеул, Кореја, октобар 2019.

[7] М. Раванбакхсх, М. Наби, Е. Сангинето, Л. Марценаро, Ц. Регаззони и Н. Себе, „Детекција абнормалних догађаја у видео снимцима који користе генеративне адверсариал мреже“, у Процеедингс оф тхе ИЕЕЕ Интернатионал Цонференце он Имаге Процессинг , стр. 1577–1581, Пекинг, Кина, септембар 2017.

[8] М. Хасан, Ј. Цхои, Ј. Неуманн, АК Рои-Цховдхури и ЛС Давис, „Учење временске правилности у видео секвенцама,“ у Процеедингс оф тхе ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион, стр. 733– 742, Лас Вегас, НВ, САД, јун 2016.

[9] В. Лиу, В. Луо, Д. Лиан и С. Гао, „Предвиђање будућег оквира за детекцију аномалија – нова основа“, у Процеедингс оф тхе ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион, стр. 6536– 6545, Салт Лаке Цити, УТ, САД, јун 2018.

[10] Х. Парк, Ј. Нох и Б. Хам, "Учење нормалности вођене меморијом за откривање аномалија", у Процеедингс оф тхе ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион, стр. 14 372–{{ 3}}, Сијетл, Вашингтон, САД, јун 2020.

[11] МЗ Захеер, Ј.-х. Лее, М. Астрид и С.-И. Лее, „Старо је злато: редефинисање парадигме тренинга једнокласног класификатора“, у Процеедингс оф тхе ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион, стр. 14 183–214 193, Сеаттле, ВА, САД, јун 2020.

[12] Кс. Зху, Ј. Лиу, Ј. Ванг, И. Фанг и Х. Лу, „Откривање аномалија у препуној сцени путем заједничког моделирања изгледа и динамике“, у Процеедингс оф тхе ИЕЕЕ Интернатионал Цонференце он Имаге Процессинг, стр. 2705–2708, Мелбурн, ВИЦ, Аустралија, септембар 2013.

[13] РВХМ Цолкуе, ЦАЦ Ј´униор и ВР Сцхвартз, „Хистограми оптичке оријентације и величине за откривање аномалних догађаја у видео записима,“ у Процеедингс оф тхе Сибграпи Цонференце он Грапхицс, Паттернс, анд Имагес, стр. 126–133 , Салвадор, Баија, Бразил, август 2015.

[14] Бо Зонг, С. Ки, РМ Мартин, ет ал., „Модел Гаусове мешавине дубоког аутокодирања за детекцију аномалија без надзора“, у Процеедингс оф тхе Интернатионал Цонференце он Леарнинг Репресентатионс, Ванцоувер, Цанада, Април 2018.

[15] М. Сабокроу, М. Фаииаз, М. Фатхи, З. Моаиед и Р. Клетте, "Дубока аномалија: потпуно конволуциона неуронска мрежа за брзо откривање аномалија у сценама с пуно људи," Цомпутер Висион анд Имаге Ундерстандинг, вол. 172, стр. 88–97, 2018.

[16] Ц. Ли, З. Хан, К. Ие и Ј. Јиао, "Детекција визуелног абнормалног понашања на основу анализе реконструкције путање," Неуроцомпутинг, вол. 119, бр. 7, стр. 94–100, 2013.

[17] В. Махадеван, В. Ли, В. Бхалодиа, и Н. Васцонцелос, "Детекција аномалија у сценама с гужвом", у Процеедингс оф тхе ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион (ЦВПР), стр. 1975–1981, ИЕЕЕ, Сан Франциско, Калифорнија, САД, јун 2010.

[18] В. Ли, В. Махадеван, и Н. Васцонцелос, "Детекција аномалија и локализација у сценама с гужвом", ИЕЕЕ Трансацтионс он Паттерн Аналисис анд Мацхине Интеллигенце, вол. 36, стр. 18–32, 2014.

[19] И. Зхао, Б. Денг, Ц. Схен, И. Лиу, Х. Лу и Кс.-С. Хуа, „Просторно-темпорални аутоматски енкодер за детекцију видео аномалија“, у Зборнику радова међународне конференције АЦМ о мултимедији (АЦМ ММ), стр. 1933–1941, АЦМ, Моунтаин Виев Цалифорниа, САД, октобар 2017.

[20] В. Луо, Л. Вен и С. Гао, „Поновна посета детекције аномалија заснованих на ретким кодирањем у наслаганом РНН оквиру“, у Процеедингс оф тхе ИЕЕЕ Интернатионал Цонференце он Цомпутер Висион (ИЦЦВ), Венеција, Италија, октобар 2017.

[21] В. Луо, Л. Вен и С. Гао, „Сећање на историју са конволуционим ЛСТМ за откривање аномалија“, у Процеедингс оф тхе ИЕЕЕ Интернатионал Цонференце он Мултимедиа анд Екпо (ИЦМЕ), стр. 439–444, ИЕЕЕ, Хонг Конг, јул 2017.

[22] И. Цханг, З. Ту, В. Ксие и Ј. Иуан, „Дубински аутоенкодер вођен кластеризацијом за детекцију видео аномалија“, у Процеедингс оф тхе Еуропеан Цонференце он Цомпутер Висион (ЕЦЦВ), стр. 329–345, Спрингер, Глазгов, Уједињено Краљевство, август 2020.

[23] Л. Вен, В. Луо, Д. Лиан и С. Гао, „Предвиђање будућег оквира за детекцију аномалија – нова основа“, у Процеедингс оф тхе ИЕЕЕ Цонференце он Цомпутер Висион анд Паттерн Рецогнитион (ЦВПР), стр. 6536–6545, ИЕЕЕ, Салт Лаке Цити, УТ, САД, јун 2018.

[24] М. Сонг, "Средњи поглед са терена на пејзаж двослојних неуронских мрежа," Процеедингс оф тхе Натионал Ацадеми оф Сциенцес, вол. 115, бр. 33, стр. Е7665–Е7671, 2018.

[25] Б. Динг и Г. Вен, "Спарсити цонстраинт неарест субспаце цлассифиер фор таргет рецогнитион оф САР имагес," Јоурнал оф Висуал Цоммуницатион анд Имаге Репресентатион, вол. 52, стр. 170–176, 2018.

[26] Т. Ванг и Х. Сноусси, "Детекција абнормалних визуелних догађаја путем глобалног оптичког хистограма оријентације колега," ИЕЕЕ Трансацтионс он Информатион Форенсицс анд Сецурити, вол. 9, бр. 6, стр. 988–998, 2014.