ProDisc-VAD：一种用于视频监控应用中弱监督异常检测的高效系统
计算机视觉与模式识别
2025-07-18 v3
摘要
使用多示例学习（MIL）的弱监督视频异常检测（WS-VAD）存在标签模糊性问题，阻碍了判别性特征的学习。我们提出 ProDisc-VAD，一个通过两个协同组件解决此问题的高效框架。原型交互层（PIL）使用一小组可学习原型提供受控的正常性建模，从而在不被占主导的正常数据淹没的情况下建立稳健的基线。伪实例判别增强（PIDE）损失通过仅对最可靠的极端得分实例（最高/最低分）应用有针对性的对比学习来提升可分离性。ProDisc-VAD 仅使用 0.4M 参数，就在 ShanghaiTech 和 UCF-Crime 数据集上分别取得了 97.98% 和 87.12% 的强 AUC 值，参数量比 VadCLIP 等近期基于 ViT 的方法少了 800 多倍。代码可在 https://github.com/modadundun/ProDisc-VAD 获取。
引用
@article{arxiv.2505.02179,
title = {ProDisc-VAD: An Efficient System for Weakly-Supervised Anomaly Detection in Video Surveillance Applications},
author = {Tao Zhu and Qi Yu and Xinru Dong and Shiyu Li and Yue Liu and Jinlong Jiang and Lei Shu},
journal= {arXiv preprint arXiv:2505.02179},
year = {2025}
}
备注
arXiv admin comment: This version has been removed by arXiv administrators as the submitter did not have the rights to agree to the license at the time of submission