Networking Systems for Video Anomaly Detection: A Tutorial and Survey

随着智能城市中监控摄像头的普及以及在线视频应用的激增，公共安全和隐私保护的担忧日益加剧，这推动了自动视频异常检测（VAD）成为人工智能（AI）社区中的基础研究任务。随着深度学习和边缘计算的进步，VAD在智能城市和视频互联网的新兴应用中取得了显著进展和进步，已经超越了算法工程的传统研究范围，成为VAD网络系统（NSVAD）的可部署热点，是AI、IoVT和计算领域交叉探索的实际焦点。本文阐述了各种深度学习驱动的VAD路线的基本假设、学习框架和适用场景，为NSVAD的新手提供了全面的教程。本文通过回顾最近的进展和典型解决方案，以及聚合可用的研究资源（例如文献、代码、工具和研讨会），阐明了核心概念。此外，我们展示了我们在工业物联网和智能城市中的最新NSVAD研究，以及一种用于可部署NSVAD的端-云协作架构，以进一步阐明其潜在的研究和应用范围。最后，本文展望了未来的发展趋势，并讨论了如何整合AI和计算技术以应对现有的研究挑战并促进开放机会，为潜在的研究人员和工程师提供了深入的指南。

论文旨在解决智能城市中视频监控和隐私保护的问题，通过深度学习和边缘计算推进自动化视频异常检测（VAD）的研究，探索部署VAD的网络系统（NSVAD）的实际应用。

通过深度学习和边缘计算，提出了多种VAD路线的学习框架和适用场景，并展示了最新的NSVAD研究成果和端-云协同架构，以进一步阐明其潜在的研究和应用范围。

论文回顾了最近的研究进展和典型解决方案，聚合了可用的研究资源（如文献、代码、工具和研讨会），并展示了工业物联网和智能城市中的最新NSVAD研究成果。

最近的相关研究包括：《Deep Learning for Anomaly Detection: A Survey》、《Video Anomaly Detection based on Self-Attention Mechanism》、《Anomaly Detection with Multiple-Hypotheses Predictions》等。