用于弱监督视频异常检测的事件完整性学习
计算机视觉与模式识别
2025-06-17 v1
摘要
弱监督视频异常检测（WS-VAD）旨在利用仅视频级标注在未剪辑视频中定位包含异常事件的时序区间。然而，由于缺乏密集帧级标注，现有WS-VAD方法常常导致不完整的定位，由此产生重大挑战。为解决这一问题，我们提出了一种新颖的LEC-VAD——用于弱监督视频异常检测的事件完整性学习，其具有双结构，旨在编码视觉与语言之间类别感知和类别无关的语义。在LEC-VAD中，我们设计了利用异常感知高斯混合学习精确事件边界的语义规律性，从而产生更完整的事件实例。此外，我们开发了一种新颖的基于记忆库的原型学习机制，以丰富与异常事件类别关联的简洁文本描述。这一创新增强了文本的表达能力，对推进WS-VAD至关重要。我们的LEC-VAD在两个基准数据集XD-Violence和UCF-Crime上展示了相对于当前最先进方法的显著提升。
引用
@article{arxiv.2506.13095,
title = {Learning Event Completeness for Weakly Supervised Video Anomaly Detection},
author = {Yu Wang and Shiwei Chen},
journal= {arXiv preprint arXiv:2506.13095},
year = {2025}
}
备注
Accepted by ICML