评估野外视频异常检测的有效性：面向实际部署的在线学习与推理
计算机视觉与模式识别
2024-04-30 v1 人工智能
摘要
视频异常检测(VAD)识别视频流中的异常活动，这是一项从监控到医疗保健等广泛应用的关键技术。由于人类行为的动态性、环境变化和领域偏移，在现实环境中处理VAD面临重大挑战。许多研究计划忽视了这些复杂性，通常专注于传统的测试方法，未能考虑在未见数据集上的性能，从而在理论模型与其实际效用之间产生了差距。在线学习是一种潜在的缓解策略，允许模型持续适应新信息。本文通过一个在线学习框架评估了当前VAD算法适应现实条件的能力，特别是那些基于姿态分析的算法，因其效率和隐私优势。我们提出的框架能够利用来自新环境的流数据进行连续模型更新，从而模拟现实世界的挑战，并评估模型在保持准确性的同时实时适应的能力。我们在该设置下研究了三种最先进的模型，重点关注它们在不同领域的适应性。我们的研究结果表明，即使在最具挑战的条件下，我们的在线学习方法也能使模型在特定目标领域中保留其离线训练对应模型原始有效性的89.39%。
引用
@article{arxiv.2404.18747,
title = {Evaluating the Effectiveness of Video Anomaly Detection in the Wild: Online Learning and Inference for Real-world Deployment},
author = {Shanle Yao and Ghazal Alinezhad Noghre and Armin Danesh Pazho and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2404.18747},
year = {2024}
}