基于级联视觉语言模型的实时视频异常检测：Cerberus
计算机视觉与模式识别
2025-10-21 v1 计算与语言
摘要
视频异常检测(VAD)通过近期视觉语言模型(VLM)的发展取得了快速进展。尽管这些模型提供了出色的零样检测能力，但其巨大的计算成本和不稳定的视觉 grounding 性能阻碍了实时部署。为克服这些挑战，我们引入 Cerberus，一个为高效且准确的实时 VAD 设计的两阶段级联系统。Cerberus 在离线学习正常行为规则后，在在线推理中结合轻量级过滤和细粒度 VLM 推理。Cerberus 的性能提升源于两个关键创新：运动掩码提示和基于规则的偏差检测。前者引导 VLM 注意力聚焦于与运动相关的区域，后者将异常识别为从已学习规范的偏差，而非枚举可能的异常。广泛的评估表明，Cerberus 在 NVIDIA L40S GPU 上平均实现 57.68 fps，加速 151.79 倍，准确率达 97.2%，相当于最新的 VLM-based VAD 方法，构成实时视频分析的实用解决方案。
引用
@article{arxiv.2510.16290,
title = {Cerberus: Real-Time Video Anomaly Detection via Cascaded Vision-Language Models},
author = {Yue Zheng and Xiufang Shi and Jiming Chen and Yuanchao Shu},
journal= {arXiv preprint arXiv:2510.16290},
year = {2025}
}