Nenormalno otkrivanje u video zapisu s velikim podacima s poboljšanim automatskim koderom

1. Uvod

Kao zadatak računalnog vida na visokoj razini, otkrivanje anomalija videa odnosi se na automatsko otkrivanje abnormalnih događaja u određenoj video sekvenci, što može učinkovito razlikovati abnormalne i normalne aktivnosti i abnormalne kategorije u videu. U posljednjih nekoliko godina istraživači su proveli mnoga istraživanja vezana uz otkrivanje anomalija [1-9]. U usporedbi s normalnim događajima, događaji koji se rijetko događaju ili imaju malu vjerojatnost pojavljivanja obično se smatraju abnormalnima. Međutim, u praksi je teško uspostaviti učinkovit model detekcije anomalija zbog nepoznatih vrsta događaja i nejasnih definicija anomalija. Većina postojećih metoda otkrivanja anomalija osmišljena je na temelju pretpostavke da se svaki uzorak koji se razlikuje od naučenog normalnog obrasca smatra anomalijom. Na temelju takvih pretpostavki, ista se aktivnost u različitim scenarijima može prikazati kao normalni ili nenormalni događaji. Na primjer, scena borbe u kojoj se dvoje ljudi tuče na ulici može se smatrati nenormalnom, dok su dvoje ljudi normalni dok se boksaju. Osim toga, postoji velika količina suvišnih vizualnih informacija u visokodimenzionalnim video podacima, što povećava poteškoće u prikazivanju događaja u video sekvenci.

Kineska biljka cistanche

Prema prethodnim radovima, metode detekcije anomalija mogu se općenito podijeliti u dvije vrste. Neke metode detekcije anomalija dizajnirane su pomoću grešaka rekonstrukcije, koje su usredotočene na modeliranje normalnih uzoraka u video sekvencama [3–5, 7, 8, 10, 11]. (ove metode uče model predstavljanja značajki normalnog uzorka u fazi obuke i koriste razlike između abnormalnih i normalnih uzoraka za određivanje konačnog abnormalnog rezultata testnih podataka tijekom faze testiranja, kao što su pogreške rekonstrukcije ili specifični pragovi [7 –14]. Iako su metode otkrivanja anomalija koje se temelje na rekonstrukciji dobre u rekonstrukciji normalnih obrazaca u video sekvencama, ključni problem s ovim metodama je taj što se uvelike oslanjaju na podatke o uvježbavanju. Druga vrsta metode smatra otkrivanje anomalija problemom klasifikacije [ 15, 16]. Za ove metode, rezultat anomalije video sekvence predviđa se upotrebom obučenog klasifikatora za izdvajanje značajki kao što je histogram optičkog uzorka (HOF) ili dinamičke teksture (DT). (Izvedba ovih metoda je uvelike ovisi o uzorcima za treniranje.Da bi se postigla zadovoljavajuća izvedba, izdvajanje učinkovitih i diskriminativnih značajki bitno je za takve metode detekcije anomalija [17-20]. Međutim, dvije vrste metoda obično modeliraju odnose između događaja na relativno jednostavan način [7, 10, 21–23]. Na primjer, razmatra se samo linearni odnos, što nije dovoljno za složene, vrlo nelinearne odnose u mnogim slučajevima iz stvarnog svijeta.

Pustinjska živa cistanča

Posljednjih godina metode temeljene na dubokom učenju primijenjene su na području video detekcije i postigle su veliki napredak [24-26]. Na primjer, autokoderi (AE) koriste pogreške rekonstrukcije za otkrivanje anomalija, a na temelju toga poboljšan je niz metoda. Osim toga, generativne kontradiktorne mreže (GAN) i dugo kratkoročno pamćenje (LSTM) također su primijenjene za rješavanje problema otkrivanja anomalija. Međutim, AE može imati snažnu sposobnost generalizacije, što rezultira sposobnošću rekonstruiranja abnormalnih događaja. U [14] istraživači su istaknuli da bi rekonstrukcija abnormalnih uzoraka trebala biti nepredvidljiva, budući da nema abnormalnih uzoraka za treniranje, što može dovesti do većih pogrešaka rekonstrukcije za abnormalne uzorke. Ako neke anomalije dijele zajednički obrazac sastava s normalnim podacima o vježbanju ili je dekoder "presnažan" i ne može dobro dekodirati neke anomalije, tada AE može dobro rekonstruirati anomaliju. Kako bi se prevladali nedostaci AE-a, ovaj rad koristi memorijski modul za poboljšanje dubokog AE-a i razvija metodu AE-a s proširenom memorijom (Memory AE). Kada se unese novi testni uzorak, Memory AE ga neće izravno kodirati i unijeti u dekoder, već ga koristiti kao upit za dohvaćanje relevantnog sadržaja u memorijskom modulu. (en, sadržaj se agregira i prosljeđuje u dekoder. (proces se realizira adresiranjem pažnje. Nadalje, ovaj rad koristi diferencijabilne operatore skupljanja kako bi inducirao rijetkost utega adresiranja memorije, što može potaknuti memorijski sadržaj da pristupi upitima u značajci prostor. Tijekom faze obuke, koder i dekoder istovremeno ažuriraju memorijski modul kako bi se postigla manja prosječna pogreška rekonstrukcije. U fazi testiranja, naučeni sadržaj memorije je fiksan, a koristit će se mala količina normalnih memorijskih stavki za rekonstrukciju. Ako su ovi odabrani kao susjedstvo ulaznog koda, pogreška rekonstrukcije bit će vrlo očita. Eksperimenti na nekoliko javnih referentnih skupova podataka pokazuju da je izvedba otkrivanja Memory AE dosegla najsuvremeniju razinu tehnike.

Glavni kemijski sastojci Cistanche deserticola

2. Princip algoritma

Slika 1 prikazuje cjelokupnu mrežnu strukturu Memory AE, koja je podijeljena u tri podstrukture: koder (koristi se za kodiranje ulaza i generiranje upita), dekoder (koristi se za rekonstrukciju) i memorijski modul (s memorijom i povezanim operacijama adresiranja). Kao što je prikazano na slici 1, s obzirom na događaj koji se testira, koder prvo dobiva svoju kodiranu vrijednost. Korištenjem kodirane vrijednosti kao upita, memorijski modul dohvaća najrelevantniji sadržaj u memorijskom modulu putem operatera za adresiranje temeljenog na pažnji i zatim ga prosljeđuje dekoderu na rekonstrukciju. Tijekom obuke, koder i dekoder optimiziraju parametre kako bi smanjili pogrešku rekonstrukcije i, u isto vrijeme, ažuriraju memorijski modul za snimanje prototipnih elemenata kodiranih normalnih podataka. S obzirom na testni uzorak, model koristi samo ograničene normalne uzorke snimljene u memorijskom modulu za izvođenje rekonstrukcije. Na taj se način rekonstrukcija nastoji približiti normalnom uzorku. Stoga je pogreška rekonstrukcije normalnog uzorka mala, a abnormalna pogreška velika.

Slika 1: (dijagram toka predložene memorije AE.

2.1. Koderi i dekoderi. (e koder i dekoder su dva dijela AE. (e prvi preslikava ulazne podatke u prostor značajki kako bi dobio njegovu kodiranu vrijednost, a drugi rekonstruira kodiranu vrijednost u ulazne podatke. (e AE se sastoji od koder fw1 (·) i dekoder gw2 (·), koji se može izraziti kao

gdje su x i x′ ulaz AE odnosno rekonstruirani ulaz, z su rezultati kodiranja x, a W1 i W2 označavaju parametre kodera i dekodera, koji se mogu dobiti minimiziranjem pogreške rekonstrukcije između x i x':

Rekonstruiranjem pogreške normalnog uzorka [19, 20] kako bi se utvrdilo je li abnormalan, AE je uspješno korišten za rješavanje zadatka otkrivanja abnormalnosti. Međutim, rekonstrukcija abnormalnih uzoraka trebala bi biti nepredvidljiva, što može rezultirati većim pogreškama rekonstrukcije za abnormalne uzorke. Kako bi se riješio ovaj problem, memorijski modul je uveden u AE u odjeljku 2.2 i predložen je memorijski AE.

2.2. Memorijski modul. (Predložena metoda uključuje memorijski modul za snimanje načina kodiranja prototipa i operaciju adresiranja za pristup memorijskom modulu.

2.2.1. Predstavljanje temeljeno na pažnji. (modul pozornosti dizajniran je kao matrica M ∈ RN×C koja sadrži N vektora u stvarnom vremenu. Radi jednostavnosti, pretpostavimo da je C dimenzija od z; tada neka je Ζ � RC. Zadan vektor retka mi, ∀i ∈ [ N], gdje je [N] cijeli broj od 1 do N. Svaki predstavlja mi memorijsku stavku; s obzirom na skup upita z ∈ RC, memorijska mreža dobiva?z i odgovara s vektorom meke adrese w ∈ R1×N kao slijedi:

gdje je w vektor reda, a zbroj svih stavki je 1, što predstavlja wi, stavku w od i. (e vektor težine w može se dobiti izračunom z. Kao što je prikazano u jednadžbi (4), težina adrese mora biti blizu w memorijskog modula. (e miješani parametar je definiran kao N, maksimalni kapacitet memorijskog modula. Iako je N, nije lako pronaći najbolje za različite skupove podataka; na sreću, Memory AE nije osjetljiv na postavku N. Dovoljno je da se veliki N može dobro primijeniti na svaki skup podataka.

2.2.2. Pažnja za memorijsko adresiranje. U Memory AE, memorijski modul dizajniran je za detaljno snimanje izvornog normalnog načina M faze vježbanja. (e memorijski modul je definiran kao memorija koja se može adresirati sadržajem, z⌢, a njegova shema adresiranja izračunava w, težinu pažnje, na temelju sličnosti između upita i memorijske stavke. Kao što je prikazano na slici 1, svaka se težina može izračunati kroz softmax operacija wi :

gdje d(·, ·) predstavlja mjeru sličnosti. (u radu se to definira kao sličnost kosinusa:

Baš poput jednadžbi (4)–(6), memorijski modul dohvaća najsličniju memorijsku stavku kako bi dobio reprezentaciju z. Zbog ograničenja veličine memorije i tehnologije rijetkog adresiranja, istovremeno se može adresirati samo mali broj stavki interne memorije. (dakle, učinkovito ponašanje memorijskog modula može se objasniti na sljedeći način. U fazi obuke, dekoder u Memory AE ograničen je na korištenje vrlo malo memorijskih stavki koje se mogu adresirati za rekonstrukciju, što zahtijeva učinkovito korištenje memorijskih stavki. (dakle , tijekom rekonstrukcije, memorijski modul treba biti prisiljen zabilježiti najreprezentativniji način prototipa u normalnom načinu unosa. U fazi testiranja, s obzirom na obučenu memoriju, samo se normalni način rada u memoriji može dohvatiti za rekonstrukciju. (dakle , normalni uzorci mogu se bolje rekonstruirati. Suprotno tome, kodirana vrijednost abnormalnog ulaza može se zamijeniti dohvaćenim normalnim uzorkom, što rezultira velikom pogreškom rekonstrukcije u abnormalnom uzorku.

2.3. Trening. S obzirom na skup podataka koji sadrži uzorke xi? ?TI�1, neka xi′ označava uzorke rekonstrukcije xi u uzorcima za uvježbavanje; minimalno refaktoriranje se izvodi na sljedeći način:

(e l2 norma koristi se za mjerenje pogreške rekonstrukcije; wi′ predstavlja težinu memorijskog adresiranja svakog uzorka xi. Kako bi se dodatno promicala rijetkost w′, rijetka regulacija se minimizira tijekom obuke. Uzimajući u obzir da su svi w′ nenegativni i ‖w′‖1 � 1, problem optimizacije se formira na sljedeći način:

Kombinacijom funkcije gubitka jednadžbe (7) i jednadžbe (8), ciljna funkcija Memory AE je sljedeća:

ovdje je hiperparametar u procesu treninga. U praksi je postavljeno na 0.0002. U procesu treninga, memorija se ažurira putem povratnog širenja i gradijentnog spuštanja. U povratnom širenju, samo gradijent memorijske stavke s težinom adresiranja različitom od nule može biti različit od nule.

2.4. Test. Nakon što je model uvježban, pogreška rekonstrukcije piksela na poziciji (x, y) zubnog okvira t može se izračunati sljedećom jednadžbom:

gdje h(·) predstavlja cijeli model. S obzirom na pogrešku rekonstrukcije na razini piksela desetog okvira, pogreška rekonstrukcije cijelog okvira slike može se dobiti zbrajanjem e(t) �. (x,y)e(x,y,t). (hr, rezultat anomalije okvira može se izračunati na sljedeći način:

Konačno, može se postaviti prag kako bi se utvrdilo je li nenormalan ako je s(t) > θ.

3. Eksperimentirajte

U ovom odjeljku se provjerava učinkovitost predložene metode i uspoređuje s drugim postojećim metodama. Trenutačno se za eksperimente koriste dva javna skupa podataka, tj. skup podataka Avenue i skup podataka ShanghaiTech. (područje ispod krivulje (AUC) i EER koriste se kao kvantitativni pokazatelji procjene.

3.1. Priprema. (Skup podataka e Avenue koristi fiksnu kameru razlučivosti od 640 × 360 piksela za snimanje i snimanje uličnih aktivnosti Gradskog sveučilišta u Hong Kongu. (Skup podataka Computational Intelligence and Neuroscience 3 uključuje 16 video isječaka za obuku koji sadrže normalno ljudsko ponašanje i 21 testni videoisječci koji sadrže abnormalne događaje i ljudsko ponašanje. Ima ukupno 30652 okvira, a svi testni video zapisi imaju bilješke ciljne razine, to jest, pravokutno područje se koristi za označavanje anomalija u prostornim lokacijama. Normalno ponašanje je da ljudi hodaju po pločnik, dok su nenormalni događaji ljudi koji bacaju smeće/odbacuju predmete, lutaju, hodaju prema kameri, hodaju po travi i odbacuju predmete. (Skup podataka ShanghaiTech vrlo je izazovna zbirka za otkrivanje nenormalnih događaja. Za razliku od drugih skupova podataka, sadrži 13 različitih scene s različitim uvjetima osvjetljenja i kutovima kamere, uključujući ukupno 330 videozapisa za obuku i 107 videozapisa za testiranje. (Skup za testiranje sadrži ukupno 130 abnormalnih događaja s komentarima na razini piksela. (Cijeli skup podataka ima ukupno 316154 okvira, uključujući 274515 okvira u skupu za obuku, 42883 okvira u testnom skupu i 17090 okvira u nenormalnom okviru. (Razlučivost svakog okvira videa je 480 × 856. (model je testiran na platformi s hardverskom platformom NVIDIA GTX1080TI i 8 GB video memorije, a softversko okruženje je PyTorch i Python 3.6. Kako bi se izmjerila učinkovitost metode detekcije video anomalija predložene u ovom radu, AUC razine okvira krivulja radne karakteristike prijamnika (ROC) koristi se kao indeks procjene. Za indikatore procjene na razini okvira, ako je barem jedan piksel okvira označen kao nenormalan, okvir se smatra nenormalnim. A AUC razine okvira izračunava se usporedbom rezultat detekcije na razini okvira s razinom okvira stvarne oznake.

Glavni kemijski sastojci Cistanche deserticola

Kliknite ovdje za pregled Cistanche proizvoda

【Tražite više】 E-pošta:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

3.2. Eksperimentalna postavka. Svi video okviri se podešavaju na 227 × 227 i zatim se pretvaraju u slike u sivim tonovima. (ulaz modela je 227 × 227 × 5, to jest, 5 uzastopnih okvira koristi se kao ulaz modela. Nakon svakog konvolucijskog sloja nalazi se sloj skupne normalizacije i sloj ekscitacije ReLU. (e dekoder uključuje 4 dekonvolucijska sloja. (Modul pažnje je postavljen da dopusti svakom memorijskom segmentu da zabilježi značajku na pikselu na karti značajki, što odgovara podregiji video segmenta. (dakle, memorijski modul je 10 00 × 64 matrica. (e Adamov optimizator odabran je za optimizaciju cjelokupnih parametara modela. (e početna stopa učenja je 0,0001, a broj ponavljanja je 1000. (e parametar momenta je ρ1 � 0,9 i ρ2 � 0,999, a veličina serije je 128.

3.3. Rezultati eksperimenta. Kako bi se dokazala učinkovitost predložene metode u detekciji video anomalija, ovaj rad je uspoređuje s 12 različitih postojećih metoda. Među njima, MPPCA (hibrid probabilističkog analizatora glavne komponente) plus SF (društvena moć) [17] i MDT (hibrid dinamičke teksture) [18] metode su temeljene na ručnim značajkama; Conv-AE [8], 3D Conv [19], Stacked RNN [20] i ConvLSTM-AE [21], MemNormality [10] i ClusterAE [22] sve su metode temeljene na autokoderima; AbnormalGAN [7] i Pred plus Recon [23] temelje se na metodi generiranja kontradiktornih mreža. Tablica 1 prikazuje rezultate otkrivanja video anomalija na razini okvira različitim metodama. Može se uočiti da je, u rezultatima dvaju skupova podataka, metoda temeljena na AE obično bolja od metode temeljene na ručno izrađenim značajkama, te se dobivaju veće AUC-ove na razini okvira. (to je zato što se ručno izrađene značajke obično izdvajaju na temelju drugih zadataka i stoga mogu biti suboptimalne. U metodama temeljenim na AE, ConvLSTM-AE je bolji od Conv-AE jer prvi može bolje uhvatiti informacije o vremenu. Osim toga, također može treba primijetiti da metode temeljene na GAN-u rade bolje od većine osnovnih metoda. Konačno, metoda Memory AE predložena u ovom radu postiže 85,7 posto AUC na razini okvira na skupu podataka Avenue, što je 0,6 posto ispred Pred plus Recon s najboljom izvedbom [23] metoda; dok je metoda predložena u ovom radu postigla 75,3 posto AUC na razini okvira na skupu podataka ShanghaiTech, što je 2 posto ispred drugih metoda u AUC na razini okvira, a učinak je vrlo očit. (uglavnom zato što predložena metoda temeljena na Memory AE koristi fragmente memorije, koji mogu dobro rekonstruirati anomalije i unijeti neke slučajne pogreške. Osim toga, u usporedbi sa skupom podataka Avenue, skup podataka ShanghaiTech postigao je višu AUC na razini okvira. (uglavnom zato što skup podataka ShanghaiTech sadrži višestruke scene i abnormalni događaji koji se prije nisu pojavili u drugim skupovima podataka, što je kompliciranije. Kako bi se potvrdili rezultati detekcije jedne scene na skupu podataka ShanghaiTech, video segment jedne scene koristi se za obuku i testiranje. 83 segmenta (25 posto) koriste se za obuku, a 34 segmenta (32 posto) koriste se za testiranje, postižući 86.3 posto AUC na razini okvira, što je doseglo razinu sličnu onoj u skupu podataka Avenue. Ukratko, predložena metoda Memory AE može se fleksibilno primijeniti na različite vrste podataka. Samo korištenjem pogrešaka rekonstrukcije, predložena metoda može dobiti bolje rezultate uz najmanje specifičnog znanja. Kako bi se procijenila izvedba unaprijed definiranog memorijskog modula u otkrivanju abnormalnih video događaja, sljedeći korak je promjena veličine memorijskog modula i izvođenje eksperimenata na skupu podataka Avenue, a AUC vrijednosti na razini okvira dane su u tablici 2. Može se utvrditi da s obzirom na dovoljno veliku veličinu memorijskog modula, metoda Memory AE može robusno proizvesti najbolje rezultate. Kada je veličina memorijskog modula veća od 1000, utjecaj na rezultat detekcije je malen, ali korištenje veće veličine memorijskog modula rezultirat će većim iznosom izračuna, tako da je veličina memorijskog modula odabrana kao 1000. Slike Slike 2(a) odnosno 2(b) prikazuju neke rezultate detekcije u skupu podataka Avenue i skupu podataka ShanghaiTech. (e Tablica 1: Usporedba s najsuvremenijim metodama u smislu AUC.

bolja od metode koja se temelji na ručno izrađenim značajkama i dobivaju se veće AUC-ove na razini okvira. (to je zato što se ručno izrađene značajke obično izdvajaju na temelju drugih zadataka i stoga mogu biti suboptimalne. U metodama temeljenim na AE, ConvLSTM-AE je bolji od Conv-AE jer prvi može bolje uhvatiti informacije o vremenu. Osim toga, također može treba primijetiti da metode temeljene na GAN-u rade bolje od većine osnovnih metoda. Konačno, metoda Memory AE predložena u ovom radu postiže 85,7 posto AUC na razini okvira na skupu podataka Avenue, što je 0.6 posto ispred najbolja metoda Pred plus Recon [23]; dok je metoda predložena u ovom radu postigla 75,3 posto AUC na razini okvira na skupu podataka ShanghaiTech, što je 2 posto ispred drugih metoda u AUC na razini okvira, a učinak je vrlo očit . (uglavnom zato što predložena metoda temeljena na Memory AE koristi fragmente memorije, koji mogu dobro rekonstruirati anomalije i unijeti neke nasumične pogreške. Osim toga, u usporedbi s skupom podataka Avenue, skup podataka ShanghaiTech postigao je višu AUC na razini okvira. (je uglavnom zato što skup podataka ShanghaiTech sadrži višestruke scene i abnormalne događaje koji se prije nisu pojavljivali u drugim skupovima podataka, što je složenije. Kako bi se potvrdili rezultati detekcije jedne scene na skupu podataka ShanghaiTech, video segment jedne scene koristi se za obuku i testiranje. 83 segmenta (25 posto) koriste se za obuku, a 34 segmenta (32 posto) koriste se za testiranje, postižući 86.3 posto AUC na razini okvira, što je doseglo razinu sličnu onoj u skupu podataka Avenue. Ukratko, predložena metoda Memory AE može se fleksibilno primijeniti na različite vrste podataka. Samo korištenjem pogrešaka rekonstrukcije, predložena metoda može dobiti bolje rezultate uz najmanje specifičnog znanja. Kako bi se procijenila izvedba unaprijed definiranog memorijskog modula u otkrivanju abnormalnih video događaja, sljedeći korak je promjena veličine memorijskog modula i izvođenje eksperimenata na skupu podataka Avenue, a AUC vrijednosti na razini okvira dane su u tablici 2. Može se utvrditi da s obzirom na dovoljno veliku veličinu memorijskog modula, metoda Memory AE može robusno proizvesti najbolje rezultate. Kada je veličina memorijskog modula veća od 1000, utjecaj na rezultat detekcije je malen, ali korištenje veće veličine memorijskog modula rezultirat će većim iznosom izračuna, tako da je veličina memorijskog modula odabrana kao 1000. Slike Slike 2(a) odnosno 2(b) prikazuju neke rezultate detekcije u skupu podataka Avenue i skupu podataka ShanghaiTech. (kadri u zelenom okviru su normalni kadrovi iz običnih videoisječaka, a kadrovi u crvenom okviru su nenormalni kadrovi iz nenormalnih videoisječaka. Neki nenormalni događaji kao što su ispuštanje konfeta, vožnja biciklom po pločniku, premlaćivanje itd., mogu biti otkriven.

Tablica 2: (utjecaj veličine memorije broja na eksperimentalne rezultate skupa podataka Avenue (na razini okvira AUC/ postotak).

Slika 2: Primjeri rezultata detekcije. (a) Primjer iz skupa podataka Avenue. (b) Primjer iz skupa podataka ShanghaiTech.

4. Zaključak

(u radu se predlaže Memory AE za poboljšanje izvedbe otkrivanja anomalija velikih podataka u videozapisima. S obzirom na ulaz, predložena Memory AE metoda prvo koristi koder za dobivanje kodiranog prikaza, a zatim koristi kod kao upit za dohvaćanje najrelevantnijih uzoraka u memorijskom modulu za rekonstrukciju. Budući da je memorijski modul osposobljen za snimanje tipičnih normalnih uzoraka, predloženi Memory AE može dobro rekonstruirati normalne uzorke i povećati pogrešku rekonstrukcije abnormalnosti, što jača ulogu pogreške rekonstrukcije kao standarda za otkrivanje abnormalnosti. Eksperimenti na dva skupa podataka dokazuju svestranost i učinkovitost predložene metode. U budućnosti ćemo proučavati upotrebu težina adresiranja za otkrivanje anomalija. S obzirom da je predloženi memorijski modul univerzalan i nema nikakve veze sa strukturom kodera i dekoder, bit će integriran u složeniji osnovni model i korišten u eksperimentima na zahtjevnijim skupovima podataka.

Dodatak Cistanche blizu mene-Poboljšanje pamćenja

Reference

[1] F. Dong, Y. Zhang i X. Nie, "Dual discriminator generative adversarial network for video anomaly detection", IEEE Access, sv. 8, str. 88170–88176, 2020.

[2] K. Doshi i Y. Yilmaz, "Any-shot sekvencijalno otkrivanje anomalije u video zapisima nadzora", u Proceedings of the CVPRW, str. 934-935, Seattle, WA, SAD, lipanj 2020.

[3] K. Doshi i Y. Yilmaz, "Continual learning for anomaly detection in surveillance videos", u Proceedings of the CVPRW, str. 254-255, Seattle, WA, SAD, lipanj 2020.

[4] K. Jayanta, "Dutta i bonny Banerjee. Online otkrivanje abnormalnih događaja korištenjem inkrementalne duljine kodiranja," u Proceedings of the AAAI, str. 3755-3761, Austin, Texas, SAD, siječanj 2015.

[5] Y. Feng, Y. Yuan i X. Lu, "Učenje modela dubinskih događaja za otkrivanje anomalija u gomili", Neurocomputing, sv. 219, str. 548-556, 2017.

[6] D. Gong, L. Liu, V. Le et al., "Memorizing normality to detect anomaly: memory-augmented deep autoenkoder for unsupervised anomaly detection", u Proceedings of the ICCV, str. 1705-1714, Seoul, Koreja, listopad 2019.

[7] M. Ravanbakhsh, M. Nabi, E. Sangineto, L. Marcenaro, C. Regazzoni i N. Sebe, "Detekcija abnormalnih događaja u video zapisima pomoću generativnih kontradiktornih mreža," u Zborniku radova IEEE međunarodne konferencije o obradi slike , str. 1577–1581, Peking, Kina, rujan 2017.

[8] M. Hasan, J. Choi, J. Neumann, AK Roy-Chowdhury i LS Davis, "Učenje vremenske pravilnosti u video sekvencama," u Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, str. 733– 742, Las Vegas, NV, SAD, lipanj 2016.

[9] W. Liu, W. Luo, D. Lian i S. Gao, "Future frame prediction for anomaly detection–a new baseline," u Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, str. 6536– 6545, Salt Lake City, UT, SAD, lipanj 2018.

[10] H. Park, J. Noh i B. Ham, "Učenje memorije vođene normalnosti za otkrivanje anomalija," u Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, str. 14 372–{{ 3}}, Seattle, WA, SAD, lipanj 2020.

[11] MZ Zaheer, J.-h. Lee, M. Astrid i S.-I. Lee, "Old is gold: redefining the adversarially learned one-class classifier training paradigm," u Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, str. 14 183–214 193, Seattle, WA, SAD, lipanj 2020.

[12] X. Zhu, J. Liu, J. Wang, Y. Fang i H. Lu, "Otkrivanje anomalija u prepunoj sceni putem zajedničkog modeliranja izgleda i dinamike", u Proceedings of the IEEE International Conference on Image Processing, str. 2705–2708, Melbourne, VIC, Australija, rujan 2013.

[13] RVHM Colque, CAC J´unior i WR Schwartz, "Histogrami optičke orijentacije i magnitude za otkrivanje anomalnih događaja u video zapisima", u Zborniku radova Sibgrapi konferencije o grafikama, obrascima i slikama, str. 126-133. , Salvador, Bahia, Brazil, kolovoz 2015.

[14] Bo Zong, S. Qi, RM Martin, et al., "Deep autoencoding Gaussian mix model for unsupervised anomaly detection", u Proceedings of the International Conference on Learning Representations, Vancouver, Kanada, travanj 2018.

[15] M. Sabokrou, M. Fayyaz, M. Fathy, Z. Moayed i R. Klette, "Duboka anomalija: potpuno konvolucijska neuronska mreža za brzo otkrivanje anomalija u prepunim scenama," Računalni vid i razumijevanje slike, sv. 172, str. 88–97, 2018.

[16] C. Li, Z. Han, Q. Ye i J. Jiao, "Detekcija vizualnog abnormalnog ponašanja temeljena na analizi rijetke rekonstrukcije putanje", Neurocomputing, sv. 119, br. 7, str. 94–100, 2013.

[17] V. Mahadevan, W. Li, V. Bhalodia i N. Vasconcelos, "Otkrivanje anomalija u prepunim scenama," u Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), str. 1975-1981, IEEE, San Francisco, CA, SAD, lipanj 2010.

[18] W. Li, V. Mahadevan i N. Vasconcelos, "Otkrivanje anomalija i lokalizacija u prepunim scenama," IEEE Transactions on Pattern Analysis and Machine Intelligence, sv. 36, str. 18–32, 2014.

[19] Y. Zhao, B. Deng, C. Shen, Y. Liu, H. Lu i X.-S. Hua, "Spatio-temporal AutoEncoder for video anomaly detection", u Proceedings of the ACM International Conference on Multimedia (ACM MM), str. 1933–1941, ACM, Mountain View California USA, listopad 2017.

[20] W. Luo, L. Wen i S. Gao, "Revisit of sparse coding based detection anomaly in stacked RNN framework," u Proceedings of the IEEE International Conference on Computer Vision (ICCV), Venecija, Italija, listopad 2017.

[21] W. Luo, L. Wen i S. Gao, "Sjećanje povijesti s konvolucijskim LSTM-om za otkrivanje anomalija," u Proceedings of the IEEE International Conference on Multimedia and Expo (ICME), str. 439-444, IEEE, Hong Kong, srpanj 2017.

[22] Y. Chang, Z. Tu, W. Xie i J. Yuan, "Grupiranjem vođen duboki autokoder za detekciju video anomalija," u Proceedings of the European Conference on Computer Vision (ECCV), str. 329-345, Springer, Glasgow, Velika Britanija, kolovoz 2020.

[23] L. Wen, W. Luo, D. Lian i S. Gao, "Future frame prediction for anomaly detection – a new baseline," u Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), str. 6536–6545, IEEE, Salt Lake City, UT, SAD, lipanj 2018.

[24] M. Song, "A mean field view of the landscape of two-layer neural networks," Proceedings of the National Academy of Sciences, sv. 115, br. 33, str. E7665-E7671, 2018.

[25] B. Ding i G. Wen, "Sparsity constraint nearest subspace classifier for target recognition of SAR images," Journal of Visual Communication and Image Representation, sv. 52, str. 170–176, 2018.

[26] T. Wang i H. Snoussi, "Detekcija abnormalnih vizualnih događaja putem globalnog optičkog orjentacijskog histograma", IEEE Transactions on Information Forensics and Security, sv. 9, br. 6, str. 988–998, 2014.