面向自适应以人为中心的视频异常检测：一个综合框架与新基准
计算机视觉与模式识别
2025-03-21 v2 人工智能
摘要
以人为中心的视频异常检测（VAD）旨在识别偏离正常的人类行为。其核心在于，以人为中心的 VAD 面临诸多重大挑战，例如多样人类行为的复杂性、异常的罕见性以及伦理约束。这些挑战限制了对高质量数据集的获取，并凸显了对支持持续学习的数据集和框架的需求。为迈向自适应的以人为中心的 VAD，我们引入了 HuVAD（以人为中心的隐私增强视频异常检测）数据集以及一种新颖的无监督持续异常学习（UCAL）框架。UCAL 支持增量学习，使模型能够随时间适应，从而弥合传统训练与真实世界部署之间的差距。HuVAD 通过提供去标识化标注来优先保护隐私，并包含七个室内/室外场景，其姿态标注帧数是以往数据集的 5 倍以上。我们的标准基准和持续基准利用一套全面的指标，证明了经 UCAL 增强的模型在 82.14% 的情况下取得了更优的性能，确立了新的 SOTA。该数据集可从 https://github.com/TeCSAR-UNCC/HuVAD 获取。
引用
@article{arxiv.2408.14329,
title = {Towards Adaptive Human-centric Video Anomaly Detection: A Comprehensive Framework and A New Benchmark},
author = {Armin Danesh Pazho and Shanle Yao and Ghazal Alinezhad Noghre and Babak Rahimi Ardabili and Vinit Katariya and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2408.14329},
year = {2025}
}