面向无监督视频异常检测的隐私保护协同异常学习（CLAP）：一种新基线
计算机视觉与模式识别
2024-10-10 v1 机器学习
摘要
监控应用中的无监督（US）视频异常检测（VAD）由于其在现实世界中的实用价值，近期日益受到关注。由于监控视频涉及隐私敏感信息，且大规模视频数据的可用性有助于构建更优的 US-VAD 系统，协同学习在这一场景下极具价值。然而，由于 US-VAD 任务极具挑战性，其学习过程在没有任何标注的情况下进行，目前尚未有研究探讨 US-VAD 系统的隐私保护协同学习。在本文中，我们提出了一种新的异常检测基线，能够在保护隐私的基于参与者的分布式训练配置下，以完全无监督且无任何标签的方式定位复杂监控视频中的异常事件。此外，我们提出了三种新的评估协议，用于在各种协同合作和数据可用性场景下对异常检测方法进行基准测试。基于这些协议，我们对现有的 VAD 数据集进行了修改，以在包括 UCF-Crime 和 XD-Violence 在内的两个大规模数据集上广泛评估我们的方法以及现有的 US SOTA 方法。所有提出的评估协议、数据集划分和代码均在此处提供：https://github.com/AnasEmad11/CLAP
引用
@article{arxiv.2404.00847,
title = {Collaborative Learning of Anomalies with Privacy (CLAP) for Unsupervised Video Anomaly Detection: A New Baseline},
author = {Anas Al-lahham and Muhammad Zaigham Zaheer and Nurbek Tastan and Karthik Nandakumar},
journal= {arXiv preprint arXiv:2404.00847},
year = {2024}
}
备注
Accepted in IEEE/CVF Computer Vision and Pattern Recognition Conference (CVPR), 2024