由高斯粒子引导的混合专家：面向弱监督视频异常检测的新方法
计算机视觉与模式识别
2025-08-11 v1 人工智能
摘要
视频异常检测（VAD）因异常事件的多样性以及标记数据稀缺性而具有挑战性。在弱监督VAD（WSVAD）范式下，仅在训练期间提供视频级别标签，而在预测时进行帧级预测。尽管最先进的模型在简单异常（如爆炸）上表现良好，但在复杂真实事件（如夺宝）上却力不从众。这种困难源于两个关键问题：（1）当前模型无法解决异常类型的多样性，因为它们使用共享模型处理所有类别，忽视了类别特定特征；（2）弱监督信号缺乏精确的时间信息，限制了捕捉细粒度异常模式的能力。为此，我们提出了高斯粒子引导的混合专家（GS-MoE）框架，该框架采用一组专家模型，每个专家专注于捕捉特定的异常类型。这些专家由时间高斯粒子损失引导，使模型能够利用时间一致性并增强弱监督。高斯粒子方法鼓励对最可能包含异常事件的时间片段进行更精确、更全面的异常表示。这些专家的预测通过混合专家机制集成，以建模跨越多样化异常模式的复杂关系。我们的方法在UCF-Crime数据集上实现了91.58%的AUC，同时在XD-Violence和MSAD数据集上显示出优异结果。通过利用类别特定的专业知识和时间引导，GS-MoE为VAD下的弱监督设定了新的基准。
引用
@article{arxiv.2508.06318,
title = {Mixture of Experts Guided by Gaussian Splatters Matters: A new Approach to Weakly-Supervised Video Anomaly Detection},
author = {Giacomo D'Amicantonio and Snehashis Majhi and Quan Kong and Lorenzo Garattoni and Gianpiero Francesca and François Bremond and Egor Bondarev},
journal= {arXiv preprint arXiv:2508.06318},
year = {2025}
}