GlanceVAD：探索标签高效视频异常检测的瞥见监督
计算机视觉与模式识别
2024-03-13 v2
摘要
近年来，视频异常检测在无监督和弱监督设置下得到了广泛研究，以减轻高昂的时序标注成本。尽管取得了显著进展，但由于缺乏精确的时序异常标注，这些方法仍存在诸如大量误报等不令人满意的结果。在本文中，我们提出了一种新颖的标注范式，称为“瞥见标注”，以在异常检测精度和标注成本之间取得更好的平衡。具体而言，瞥见标注是每个异常事件中的一帧随机帧，易于获取且具有成本效益。为了评估其有效性，我们为两个标准视频异常检测数据集 UCF-Crime 和 XD-Violence 手动标注了瞥见标注。此外，我们提出了一种定制的 GlanceVAD 方法，该方法利用高斯核作为基本单元来组合时序异常分布，从而能够从瞥见标注中学习多样且鲁棒的异常表示。通过全面的分析和实验，我们验证了所提出的标注范式可以在标注成本和模型性能之间实现极佳的折中。大量的实验结果也证明了我们的 GlanceVAD 方法的有效性，其显著优于现有的先进无监督和弱监督方法。代码和标注将在 https://github.com/pipixin321/GlanceVAD 公开。
引用
@article{arxiv.2403.06154,
title = {GlanceVAD: Exploring Glance Supervision for Label-efficient Video Anomaly Detection},
author = {Huaxin Zhang and Xiang Wang and Xiaohao Xu and Xiaonan Huang and Chuchu Han and Yuehuan Wang and Changxin Gao and Shanjun Zhang and Nong Sang},
journal= {arXiv preprint arXiv:2403.06154},
year = {2024}
}
备注
21 pages