监督式异常检测（Anomaly Detection）方法研究线

监督式异常检测（Anomaly Detection）方法论文研究线

二、当只用正常数据时还可以怎么做？

换个角度，当异常样本数据少，异常标签少的时候，换个角度，能不能自己构造异常样本，自己添加异常标签。

监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集，并涉及到训练分类器（与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性 （就是异常样本少）。

《Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection》 CVPR 2020

通过制定一个替代的两类有序回归任务，作者设计了一种端到端可训练的视频异常检测方法，该方法可以在联合representation learning和anomaly scoring的情况下，无需手动标记正常/异常数据。不需要大量标记的训练数据，并能够方便和准确地定位已识别的异常。

区别于之前的两阶段检测方法，作者首创的端到端的异常检测，通过初始的的异常检测（initial annomaly detection）这里用的是iForest，将初始的无标签视频帧进行伪标签化，随后再将其送到预训练好的网络中进行自我训练的顺序回归方法来迭代地提高检测性能。

三个数据集，UCSD、Subway、UMN

《MIST: Multiple Instance Self-Training Framework for Video Anomaly Detection 》 CVPR 2021

在这里，作者提出了一个多实例自我训练框架，它通过一个多实例伪标签生成器为异常视频中的所有剪辑分配（clip-level pseudo labels）剪辑级别的伪标签。然后，作者利用来自所有视频的信息来微调一个自我引导的注意力增强的特征编码器。

MIST由两部分组成，一个多实例伪标签生成器组成，该生成器采用稀疏连续采样策略来产生更可靠的剪辑级伪标签，

另一个是一种自我引导的注意力增强特征编码器，旨在在提取特定任务表示的同时自动关注帧中的异常区域。

UCF-Crime [23] and ShanghaiTech

CutPaste: Self-Supervised Learning for Anomaly Detection and Localization CVPR 2021

首先通过从CutPaste中分类正常数据来学习表示，这是一种简单的数据增强策略，可以切割图像patch并粘贴在原图像的随机位置以制造异常图像。
分辨率，细粒度的一个异常检测，可以在图像级别，以及帧级别进行异常的检测与定位。
通过检测与复制，可以在训练的时候创造异常，进而在实际遇见异常的时候，可以进行patch级别的异常检测与定位。

作者提出了一种数据驱动的缺陷检测和定位方法。 作者成功的关键是使用 CutPaste 对特征进行自我监督学习，这是一种简单而有效的增强方法，可以鼓励模型找到局部不规则性。 我们在真实世界数据集上展示了卓越的图像级异常检测性能。 此外，通过学习和提取补丁级表示，我们展示了最先进的像素级异常定位性能。 作者设想 CutPaste 增强可能是构建用于半监督和无监督缺陷检测的强大模型的基石。