FrameShield：针对对抗性攻击的鲁棒视频异常检测
机器学习
2025-10-27 v1
摘要
弱监督视频异常检测 (WSVAD) 已取得显著进展，但现有模型对对抗性攻击仍然脆弱，限制了其可靠性。由于弱监督的固有限制，即仅提供视频级别标签，却需要帧级别预测，传统对抗防御机制（如对抗训练）并不 effective，因为视频级别对抗扰动通常较弱且不足。为解决这一限制，来自模型的伪标签可直接生成，从而实现帧级别对抗训练；然而，这些伪标签本质上较 noisy，显著降低性能。因此，我们引入一种称为 Spatiotemporal Region Distortion (SRD) 的新型伪异常生成方法，通过对正常视频中局部区域施加严重增强来创建合成异常，同时保持时间一致性。将这些精确标注的合成异常与 noisy 伪标签结合显著减少标签 noise，从而实现有效的对抗训练。广泛的实验表明，我们的方法显著提升了 WSVAD 模型对对抗性攻击的鲁棒性，在多个基准测试中平均以 71.0% 的整体 AUROC 性能优于最先进的方法。实现与代码均公开于 https://github.com/rohban-lab/FrameShield。
引用
@article{arxiv.2510.21532,
title = {FrameShield: Adversarially Robust Video Anomaly Detection},
author = {Mojtaba Nafez and Mobina Poulaei and Nikan Vasei and Bardia Soltani Moakhar and Mohammad Sabokrou and MohammadHossein Rohban},
journal= {arXiv preprint arXiv:2510.21532},
year = {2025}
}
备注
28 page, 5 figures