基于数据选择与呈现的跨域视频异常检测弱监督学习
计算机视觉与模式识别
2024-08-12 v1
摘要
视频异常检测 (VAD) 自动识别异常事件，如监控视频中的安全威胁。在实际应用中，VAD 模型必须在跨域环境中有效运行，识别训练数据中不足以代表的稀有异常和情景。然而，现有的跨域 VAD 方法侧重于无监督学习，导致性能未能满足实际需求。由于为源域获取视频级弱标签成本较低，我们推断将其与外部无标签数据结合具有显著潜力以提升跨域性能。为此，我们引入一种 novel 的弱监督框架，用于 VAD 的跨域学习 (CDL)，通过估计其预测偏差并利用预测不确定性自适应地最小化该偏差来在训练期间整合外部数据。我们通过在两个大型 VAD 数据集上进行 various 配置下的全面实验来展示所提出 CDL 框架的有效性：UCF-Crime 和 XD-Violence。在跨域评估中，我们的方法显著优于最新的工作，分别在 UCF-Crime 上实现平均提升 19.6%，在 XD-Violence 上实现 12.87%。
引用
@article{arxiv.2408.05191,
title = {Cross-Domain Learning for Video Anomaly Detection with Limited Supervision},
author = {Yashika Jain and Ali Dabouei and Min Xu},
journal= {arXiv preprint arXiv:2408.05191},
year = {2024}
}