文件名称：MNAD:在PyTorch中“学习记忆指导的异常检测正常性”（CVPR 2020）的正式实施
文件大小：992KB
文件格式：ZIP
更新时间：2024-05-22 06:39:50
Python
PyTorch实施“学习内存指导的异常检测正常性” 这是论文“学习内存指导的异常检测正常性（CVPR 2020）”的实现。 有关更多信息，请查看项目站点[]和论文[ ]。 依存关系 Python 3.6 PyTorch 1.1.0 脾气暴躁的 斯克莱恩 数据集 USCD Ped2 [] 中大大道[] ShanghaiTech [] 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR 2018）”的官方github。 将数据dataset下载到数据dataset文件夹中，例如./dataset/ped2/ 更新 21年2月4日：我们上传了基于重建方法的代码，并预先训练了用于Ped2重建，大道预测和大道重建的方法。 训练 训练和测试代码基于预测方法 现在，您可以基于预测和重构方法对代码进行隐含标记。 这些代码基本上是基于预测方法的，您可以轻松地将其实现为 git c
【文件预览】：
MNAD-master
----model()
--------memory_final_spatial_sumonly_weight_ranking_top1.py(8KB)
--------utils.py(3KB)
--------final_future_prediction_with_memory_spatial_sumonly_weight_ranking_top1.py(6KB)
--------Memory.py(9KB)
--------Reconstruction.py(6KB)
----utils.py(2KB)
----MNAD_files()
--------.DS_Store(6KB)
--------bootstrap.min.css(95KB)
--------overview.png(131KB)
--------thb.png(370KB)
--------datathumb.png(13KB)
--------memory.png(130KB)
--------style.css(2KB)
--------teaser.png(329KB)
----README.md(4KB)
----data()
--------frame_labels_shanghai.npy(40KB)
--------data_seqkey_all.py(6KB)
--------frame_labels_avenue.npy(15KB)
--------frame_labels_ped2.npy(16KB)
----Train.py(7KB)
----Evaluate.py(7KB)