广义视频异常事件检测：深度模型系统性分类与比较
计算机视觉与模式识别
2024-02-02 v3 多媒体
摘要
视频异常检测（VAD）是智能监控系统中的关键技术，能够对视频中的异常事件进行时间或空间上的识别。现有综述主要集中于传统的无监督方法，往往忽视了弱监督与全无监督方法的兴起。为弥补这一不足，本综述将VAD的传统范畴拓展至无监督方法之外，涵盖称为广义视频异常事件检测（GVAED）的更广谱系。通过巧妙融入基于不同假设与学习框架的最新进展，本综述提出了一种直观的分类体系，顺畅涵盖无监督、弱监督、监督及全无监督VAD方法，阐明这些研究脉络间的区别与联系。此外，本综述汇编了研究资源（包括公开数据集、可用代码库、编程工具及相关文献）以助后续研究者。进而，本综述定量评估模型性能，深入探讨研究挑战与方向，并勾勒未来探索的潜在路径。
引用
@article{arxiv.2302.05087,
title = {Generalized Video Anomaly Event Detection: Systematic Taxonomy and Comparison of Deep Models},
author = {Yang Liu and Dingkang Yang and Yan Wang and Jing Liu and Jun Liu and Azzedine Boukerche and Peng Sun and Liang Song},
journal= {arXiv preprint arXiv:2302.05087},
year = {2024}
}
备注
Accepted by ACM Computing Surveys. For more information, please see our project page: https://github.com/fudanyliu/GVAED