文献综述（或调研报告）：
文献综述：使用深度模型进行视频异常检测
1 引言
异常检测是机器学习和数据挖掘领域中非监督式学习的一个著名子领域。
异常检测是一项非监督式学习任务，其目标是在数据中识别被定义为罕见事件的异常模式或运动。此外，异常很少被标记，标记数据很少可用来训练一个深层卷积网络来区分正常类和异常类。这是一个相当复杂的任务，因为正常类包括频繁出现的对象和正常的前景运动，而反常类包括各种类型的罕见事件和不可见的对象，这些都难以被概括为一个一致的类。
图像和视频的异常检测具有挑战性，因为它们的图像具有高维结构，并且结合了跨帧的非局部时间变化。
使用深度模型进行视频异常检测是一个较新的研究领域，目前的大多数方法都使用半监督学习的方式，其训练集中只包含正常视频，以此来使模型捕获“正常”的运动和空间外观模式，任何偏离这个正常表征的情况都可以通过在向量空间中或以几何方式测量偏移误差，或在给定的模型中拟合训练样本表征向量后计算后验概率，或通过训练一个预测模型来测量测试样本的预测误差，从而解释视频中的时间结构。
[1] 是关于深度学习在异常检测领域应用的综述，由于篇幅设置，其关于视频异常检测的部分描述并不详尽；[2] 是关于基于深度学习的无监督式视频异常检测方法的综述，由于撰写时间，其并未囊括视频异常检测领域的最新进展，如弱监督学习和前景物体提取的引入。
1.1 视频中的异常
在目前的数据集中，视频中的异常被定为 ①图像中的异常物体，或 ②某个物体的异常运动；检测前者通过对单帧图像进行分析有可能实现，但要检测后者必须对一组连续的图像帧进行分析。在 Anomaly Detection 领域中，将异常分为 Point Anomaly，Contextual Anomaly，Sequential Anomaly 三种[3]。前文提到的两种视频中的异常分别对应于 Point Anomaly 和 Contextual Anomaly，因此视频异常检测也可以借鉴异常检测领域的相关算法。
1.2 视频数据
原始的视频数据是一组图像序列。
在深度神经网络未进入该领域之前，研究者提出的方法可被归纳为基于手工特征的异常检测。他们首先从视频数据提取出一组特征（手工定义的特征或使用降维算法），之后在该特征空间上进行 Point Anomaly 的检测。具有代表性的手工特征是物体运动轨迹（trajectory, 一组图像中的坐标序列）及相关的改进；具有代表性的降维方法是 PCA。
在使用深度模型进行视频异常检测时，研究者通常将原始的视频数据作为输入。但是在定义神经网络的损失函数时，研究者也引入了一些从视频中提取的特征，如图像的梯度、视频中的光流。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
