用于鲁棒异常检测的贝叶斯非参数子模视频分割

多示例学习（MIL）通过将视频异常检测建模为弱监督问题，提供了应对该问题的有效途径，因为标签通常仅在视频级别可用，而帧级别因标注成本高而缺失。我们提出新颖的贝叶斯非参数子模视频分割（BN-SVP），以显著改进 MIL 模型训练，从而在包含离群片段或多类异常事件的实际场景中为鲁棒异常检测提供高可靠方案。BN-SVP 本质上执行动态非参数层次聚类，并带有增强的自转移，将视频中的片段分组为时间一致且语义连贯的隐藏状态，可自然解释为场景。每个片段假定由非参数混合过程生成，允许同一场景内片段的变化，以适应许多真实世界监控视频的动态与噪声本质。BN-SVP 的场景与混合成分分配还在片段间诱导成对相似性，从而非参数地构造出一个子模集函数。将该函數与 MIL 损失结合，有效使模型暴露于多样化潜在正例以改进训练。我们开发了贪心算法来优化子模函数并支持高效模型训练。理论分析确保了所提算法的强性能保证。所提方法的有效性在多个真实世界异常视频数据集上以鲁棒检测性能得到验证。