Dynamic Distinction Learning: Adaptive Pseudo Anomalies for Video Anomaly Detection

我们介绍了一种名为“动态区分学习（DDL）视频异常检测”的新方法，它结合了伪异常、动态异常加权和区分损失函数，以提高检测精度。通过对伪异常进行训练，我们的方法能够适应正常和异常行为的变异性，而无需固定的异常阈值。我们的模型在Ped2、Avenue和ShanghaiTech数据集上展示了卓越的性能，其中为每个场景量身定制了单独的模型。这些成就突显了DDL在推进异常检测方面的有效性，为视频监控挑战提供了可扩展和适应性强的解决方案。

提高视频异常检测的准确性和可扩展性。

通过伪异常、动态异常加权和区分损失函数相结合的方法，提高视频异常检测的准确性。

该方法通过训练伪异常，适应正常和异常行为的变化，无需固定异常阈值。在Ped2、Avenue和ShanghaiTech数据集上展示了优越的性能，为视频监控挑战提供了可扩展和适应性强的解决方案。

最近的相关研究包括：Anomaly Detection in Crowded Scenes: A Deep Learning Approach、Anomaly Detection in Video Surveillance: A Review和Deep Learning for Video Anomaly Detection: A Survey。