CADE: 基于集成的持续弱监督视频异常检测
计算机视觉与模式识别
2025-12-09 v1
摘要
视频异常检测 (VAD) 长期以来是公共安全和防范犯罪的关键问题。近年来，弱监督 VAD (WVAD) 因其简便的标注流程和鼎舞的研究结果而受到广泛关注。虽然现有 WVAD 方法主要针对静态数据集，但数据域变化的可能性被忽略了。为适应此类领域迁移，需要采用持续学习 (CL) 的视角，因为仅使用新数据进行训练容易导致对先前数据的性能下降，即遗忘现象。因此，我们提出了一种新方法，称为持续异常检测 with Ensembles (CADE)，这是首个将 CL 与 WVAD 观点结合的工作。具体而言，CADE 使用 Dual-Generator (DG) 解决数据不平衡和标签不确定性问题。我们还发现，遗忘现象会加剧“不完整”问题，即模型倾向于某些异常模式，从而导致对各种异常的漏检。为此，我们提出使用多个判别器 (Multi-Discriminator, MD) 捕获因遗忘导致的过去场景中被忽略的异常。广泛的实验表明，CADE 在常见的多场景 VAD 数据集上（如 ShanghaiTech 和 Charlotte Anomaly 数据集）显著优于现有 VAD 方法。
引用
@article{arxiv.2512.06840,
title = {CADE: Continual Weakly-supervised Video Anomaly Detection with Ensembles},
author = {Satoshi Hashimoto and Tatsuya Konishi and Tomoya Kaichi and Kazunori Matsumoto and Mori Kurokawa},
journal= {arXiv preprint arXiv:2512.06840},
year = {2025}
}
备注
Accepted to WACV 2026