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.
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.
Durch die Nutzung von vortrainierten Großsprachmodellen und visuelle-sprachliche Modelle kann eine effiziente Video-Anomalie-Erkennung ohne jegliches Training erreicht werden.
Ein selbstüberwachter Lernansatz zur Erkennung von Videoanomalien durch eine Aufgabe zur Vorhersage der Patch-Beziehung in Raum und Zeit.
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.