顺序关键点密度估计器：骨架基准视频异常检测中被忽视的基线方法
计算机视觉与模式识别
2025-09-04 v3
摘要
检测异常人类行为是afety-critical 应用（如医疗监护、职场安全或公共监视）中的重要视觉任务。在这些场景中，异常常以异常人体姿态呈现。因此，我们提出了 SeeKer 方法，用于检测人类骨架序列中的异常。我们的 method 将骨架序列密度通过自回归分解在关键点级别上进行建模。对应的条件分布代表给定先前骨架运动的可能关键点位置。我们将考虑到的骨架联合分布表述为其组成关键点之间条件高斯分布的因果预测。若骨架的关键点位置令我们的 model 惊讶（即获得低密度），则将其标记为异常。在实践中，我们的异常得分是每个关键点对数条件分布的加权求和，其中权重考虑了底层关键点检测器的置信度。尽管概念上相对简单，SeeKer 在 UBnormal 和 MSAD-HR 数据集上超越了所有先前方法，在 ShanghaiTech 数据集上也表现出竞争性能。
引用
@article{arxiv.2506.18368,
title = {Sequential keypoint density estimator: an overlooked baseline of skeleton-based video anomaly detection},
author = {Anja Delić and Matej Grcić and Siniša Šegvić},
journal= {arXiv preprint arXiv:2506.18368},
year = {2025}
}
备注
ICCV 2025 Highlight