SPAN：针对时序意图局部化的可疑情节连续建模
计算机视觉与模式识别
2025-10-27 v2
摘要
时序意图局部化（TIL）是视频监控的关键技术，聚焦于识别可疑意图的不同层级，以提升安保监控效果。然而，现有离散分类方法无法捕捉可疑意图的连续性，限制了早期干预与可解释性。在本文中，我们提出了可疑情节分析网络（SPAN），将方法从离散分类转向连续回归，实现对可疑意图的波动式捕捉。我们揭示，可疑情节表现出长期依赖性和累积效应，类似于时序点过程（TPP）理论。基于这些洞见，我们定义了可疑情节得分公式，以建模连续变化并考虑时序特征。我们还引入可疑系数调制技术，利用多模态信息调整可疑系数，以反映可疑行为不同影响。此外，提出了概念锚定映射方法，将可疑行为链接到预定义意图概念，为行动及其潜在潜在意图提供洞察。广泛实验表明，SPAN在HAI数据集上显著优于现有方法，MSE降低19.8%，平均mAP提升1.78%。值得注意的是，SPAN在低频案例中实现2.74%的mAP提升，显示其捕捉细微行为变化的卓越能力。与离散分类系统相比，我们的连续可疑情节建模方法实现了更早的检测和主动干预，大幅提升了系统的可解释性和实际实用性。
引用
@article{arxiv.2510.20189,
title = {SPAN: Continuous Modeling of Suspicion Progression for Temporal Intention Localization},
author = {Xinyi Hu and Yuran Wang and Ruixu Zhang and Yue Li and Wenxuan Liu and Zheng Wang},
journal= {arXiv preprint arXiv:2510.20189},
year = {2025}
}