Kontext-bewusste Erkennung von Videoanomalien in Langzeit-Datensätzen
Ein kontext-bewusstes Videoanomalieerkennungsverfahren, das speziell für Szenarien mit langfristigen Videoaufnahmen entwickelt wurde, in denen das Konzept von "normalem" Verhalten stark vom Kontext wie Tageszeit, Wochentag oder Terminplan abhängt.
Generische Methode zur Erkennung von Anomalien in Videos durch Erzeugung von räumlich-zeitlichen Pseudo-Anomalien
Eine neuartige Methode zur Erzeugung generischer räumlich-zeitlicher Pseudo-Anomalien durch Inpainting maskierter Regionen in Bildern und Störung des optischen Flusses, um eine effektive Erkennung von Anomalien in Videos zu ermöglichen.
Effiziente Erkennung von Anomalien in Videos ohne Training durch Nutzung von Großsprachmodellen
Durch die Nutzung von vortrainierten Großsprachmodellen und visuelle-sprachliche Modelle kann eine effiziente Video-Anomalie-Erkennung ohne jegliches Training erreicht werden.
Selbstüberwachtes Lernen zur Erkennung von Videoanomalien durch Vorhersage der Patch-Raum-Zeit-Beziehung
Ein selbstüberwachter Lernansatz zur Erkennung von Videoanomalien durch eine Aufgabe zur Vorhersage der Patch-Beziehung in Raum und Zeit.
Effiziente Verarbeitung und Analyse von Videoinhalten zur Erkennung von Anomalien
Wir präsentieren einen neuartigen Ansatz zur Erkennung von Videoanomalien, indem wir Merkmalsvektoren aus Videos als Realisierungen einer Zufallsvariablen mit fester Verteilung modellieren und diese Verteilung mit einem neuronalen Netzwerk approximieren. Dies ermöglicht es uns, die Wahrscheinlichkeit von Testvideos zu schätzen und Videoanomalien durch Schwellwertbildung der Wahrscheinlichkeitsschätzungen zu erkennen.
© 2024 by Linnk AI