ALFred：面向现实世界半监督异常检测的主动学习框架及自适应阈值
计算机视觉与模式识别
2025-08-13 v1
摘要
视频异常检测（VAD）在识别视频画面中的异常活动方面发挥着关键作用。由于人类动作的动态性、环境变化以及领域迁移，VAD在实际场景中使用存在困难。传统评估指标常因依赖静态假设而显得不足，无法在动态环境中识别区分正常行为与异常行为的阈值。为此，我们引入一个针对VAD的主动学习框架，旨在适应不断变化的实际环境。我们的ethods方法利用主动学习持续选择最具信息性的数据点进行标注，从而提升模型的适应性。一种关键创新是纳入人类在环机制，使其能够从由AI生成的伪标签结果中识别实际的正常和异常实例。收集到的数据允许框架针对不同环境定义自适应阈值，确保系统在不同设置下“正常”定义的变化时保持有效。我们在模拟真实环境的实验室框架中实现了该方法，允许对VAD算法进行严格测试和优化。实验结果表明，在真实世界模拟情景中，我们的方法在Q3上实现了68.91的误差平衡指数（EBI），显示其实际有效性，显著提升了VAD在动态环境中的适用性。
引用
@article{arxiv.2508.09058,
title = {ALFred: An Active Learning Framework for Real-world Semi-supervised Anomaly Detection with Adaptive Thresholds},
author = {Shanle Yao and Ghazal Alinezhad Noghre and Armin Danesh Pazho and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2508.09058},
year = {2025}
}