视频异常检测的度量标准与基准测试重思考
计算机视觉与模式识别
2025-11-03 v2 人工智能
摘要
视频异常检测（VAD）旨在检测偏离常规预期的异常现象，近年来受到广泛关注。现有VAD技术的进步主要聚焦于模型架构和训练策略，对评估指标和基准测试的关注不足。在本文中，我们通过全面分析重新思考VAD的评估方法，揭示了当前实践中的三个关键局限性：1）现有指标受单一标注偏差显著影响；2）当前指标未能奖励对异常的早期检测；3）可用的基准测试缺乏评估完全/弱监督算法场景过拟合的能力。为解决这些局限性，我们提出了三种新型评估方法：首先，我们建立了概率化AUC/AP（Prob-AUC/AP）指标，利用多轮标注以减轻单一标注偏差；其次，我们开发了延迟感知平均精度（LaAP）指标，以奖励对异常的早期且准确的检测；最后，我们引入两个硬常规基准测试（UCF-HN、MSAD-HN），其视频专为评估场景过拟合而设计。我们使用所提出的评估方法对十种最先进的VAD方法进行性能比较，为未来VAD模型开发提供了新的视角。我们在 https://github.com/Kamino666/RethinkingVAD 上发布了数据和代码。
引用
@article{arxiv.2505.19022,
title = {Rethinking Metrics and Benchmarks of Video Anomaly Detection},
author = {Zihao Liu and Xiaoyu Wu and Wenna Li and Linlin Yang and Shengjin Wang},
journal= {arXiv preprint arXiv:2505.19022},
year = {2025}
}