基于统一对比学习框架的少样本人类动作异常检测
计算机视觉与模式识别
2025-08-26 v1
摘要
人类动作异常检测 (HAAD) 旨在仅凭训练期间正常动作数据即可识别异常动作。现有方法通常遵循单模型单类别范式，需为每个动作类别单独训练，且需要大量正常样本。这些限制阻碍了可扩展性，并限制了在数据稀缺或新类别频繁出现的实际场景中的适用性。为克服这些限制，我们提出了一个兼容少样本场景的统一HAAD框架。该方法通过对比学习构建类别无关的表示空间，通过与给定小型正常样本集（称为支持集）进行比较来实现异常检测。为提高类别间的泛化能力和类别内的鲁棒性，我们引入了一种基于扩散式基础模型的生成式运动数据增强策略，以创建多样且逼真的训练样本。值得注意的是, 我们是已知最好的工作是首次针对增强对比学习进行动作异常检测的特定策略。大量实验表明, 在见到的和未见到的类别设置下, 我们的做法在训练效率和少样本HAAD的模型可扩展性方面均显示出领先的效果。
引用
@article{arxiv.2508.17726,
title = {Few-shot Human Action Anomaly Detection via a Unified Contrastive Learning Framework},
author = {Koichiro Kamide and Shunsuke Sakai and Shun Maeda and Chunzhi Gu and Chao Zhang},
journal= {arXiv preprint arXiv:2508.17726},
year = {2025}
}