Robust Deep Learning Methods for Anomaly Detection

Chalapathy, Raghavendra; Khoa, Nguyen Lu Dang; Chawla, Sanjay

doi:10.1145/3394486.3406704

Cited by 448 publications

(77 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Một số công trình trước đây từng đề cập đến khái niệm bất thường như Chandola et al (2009), Chalapathy et al (2019), Zhu et al (2020), Ramachandra et al (2020)… Trong đó, định nghĩa về bất thường của Ramachandra et al (2020) không chỉ bao quát các định nghĩa trước mà còn bổ sung thêm thông tin ngữ nghĩa về không gian và thời gian khi xác định sự kiện bất thường. Cụ thể, Ramachandra và các cộng sự đã cho rằng bất thường trong video có thể được coi là sự xuất hiện của đối tượng bất thường, thuộc tính chuyển động bất thường hoặc sự xuất hiện của đối tượng có thuộc tính hoặc chuyển động không thường gặp ở các địa điểm hoặc thời điểm xác định.…”

Section: Giới Thiệu 1bất Thường Trong Video 11định Nghĩa Về Bất Thườngunclassified

Phát hiện bất thường: dự đoán khung hình tương lai kết hợp sota optical-flow model và cải tiến hàm lỗi dựa trên FenceGan

Võ¹,

Vo²,

Nguyễn³

2022

CTUJSVN

View full text Add to dashboard Cite

Phát hiện bất thường là một bài toán được quan tâm nhiều trong những năm gần đây với nhiều phương pháp ra đời có độ chính xác cao. Future Frame Prediction là phương pháp tiếp cận mới lạ đối với bài toán phát hiện bất thường trong video. Phương pháp này có ý tưởng chính là sử dụng các video chỉ chứa khung hình bình thường để huấn luyện mô hình. Giai đoạn kiểm tra, mô hình có thể nhận đầu vào là video có chứa khung hình bất thường, việc phát hiện bất thường dựa trên sự khác biệt giữa khung hình được tái tạo từ dữ liệu bình thường và khung hình thực tế có chứa bất thường trong video kiểm tra. Trong bài báo này, mô hình được cải thiện bằng cách thay đổi thành phần ước lượng optical-flow trong mô hình Future Frame Prediction và sửa đổi hàm lỗi dựa trên công trình FenceGAN nhằm tăng hiệu suất phát hiện bất thường. Kết quả sau khi tinh chỉnh, mô hình cải thiện độ chính xác trung bình 0,5% trên các bộ dữ liệu chuẩn như UCSD Ped1, UCSD Ped2, Avenue.

show abstract

Section: Giới Thiệu 1bất Thường Trong Video 11định Nghĩa Về Bất Thườngunclassified

Phát hiện bất thường: dự đoán khung hình tương lai kết hợp sota optical-flow model và cải tiến hàm lỗi dựa trên FenceGan

Võ¹,

Vo²,

Nguyễn³

2022

CTUJSVN

View full text Add to dashboard Cite

show abstract

“…There are lots of studies explain how such technologies can help in social security concerns and monitor of public places. Some surveys have emphasized deep learning based methods [19,71,107]. For example, Ben et al information is extracted from input video data.…”

Section: Related Surveysmentioning

confidence: 99%

Abnormal Human Behavior Detection in Videos: A Review

Sun

Yuan

et al. 2021

ITC

View full text Add to dashboard Cite

Modeling human behavior patterns for detecting the abnormal event has become an important domain in recentyears. A lot of efforts have been made for building smart video surveillance systems with the purpose ofscene analysis and making correct semantic inference from the video moving target. Current approaches havetransferred from rule-based to statistical-based methods with the need of efficient recognition of high-levelactivities. This paper presented not only an update expanding previous related researches, but also a study coveredthe behavior representation and the event modeling. Especially, we provided a new perspective for eventmodeling which divided the methods into the following subcategories: modeling normal event, predictionmodel, query model and deep hybrid model. Finally, we exhibited the available datasets and popular evaluationschemes used for abnormal behavior detection in intelligent video surveillance. More researches will promotethe development of abnormal human behavior detection, e.g. deep generative network, weakly-supervised. It isobviously encouraged and dictated by applications of supervising and monitoring in private and public space.The main purpose of this paper is to widely recognize recent available methods and represent the literature ina way of that brings key challenges into notice.

show abstract

“…Extensive studies [ 8 , 9 , 10 , 11 ] analyzing and classifying outliers have been conducted targeted for various real-world applications. Specifically, anomaly detection systems incorporated with machine learning and deep learning algorithms [ 12 , 13 , 14 , 15 , 16 ] have been widely investigated. For instance, Ding et al [ 17 ] use Bayesian network to capture anomalies in real-time multivariate time-series.…”

Section: Introductionmentioning

confidence: 99%

Anomaly Detection of Water Level Using Deep Autoencoder

Nicholaus

Park²,

Jung³

et al. 2021

Sensors

View full text Add to dashboard Cite

Anomaly detection is one of the crucial tasks in daily infrastructure operations as it can prevent massive damage to devices or resources, which may then lead to catastrophic outcomes. To address this challenge, we propose an automated solution to detect anomaly pattern(s) of the water levels and report the analysis and time/point(s) of abnormality. This research’s motivation is the level difficulty and time-consuming managing facilities responsible for controlling water levels due to the rare occurrence of abnormal patterns. Consequently, we employed deep autoencoder, one of the types of artificial neural network architectures, to learn different patterns from the given sequences of data points and reconstruct them. Then we use the reconstructed patterns from the deep autoencoder together with a threshold to report which patterns are abnormal from the normal ones. We used a stream of time-series data collected from sensors to train the model and then evaluate it, ready for deployment as the anomaly detection system framework. We run extensive experiments on sensor data from water tanks. Our analysis shows why we conclude vanilla deep autoencoder as the most effective solution in this scenario.

show abstract

Robust Deep Learning Methods for Anomaly Detection

Cited by 448 publications

References 9 publications

Phát hiện bất thường: dự đoán khung hình tương lai kết hợp sota optical-flow model và cải tiến hàm lỗi dựa trên FenceGan

Phát hiện bất thường: dự đoán khung hình tương lai kết hợp sota optical-flow model và cải tiến hàm lỗi dựa trên FenceGan

Abnormal Human Behavior Detection in Videos: A Review

Anomaly Detection of Water Level Using Deep Autoencoder

Contact Info

Product

Resources

About