协作学习的隐私异常检测 (CLAP)：一种新的无监督视频异常检测基准

CVPRApr, 2024

协作学习的隐私异常检测 (CLAP)：一种新的无监督视频异常检测基准

Collaborative Learning of Anomalies with Privacy (CLAP) for Unsupervised Video Anomaly Detection: A New Baseline

Anas Al-lahham, Muhammad Zaigham Zaheer, Nurbek Tastan, Karthik Nandakumar

TL;DR该研究提出了一种全新的基线异常检测方法，能够在复杂的监控视频中以完全无监督的方式定位异常事件，且在隐私保护的参与者分布式训练配置下进行。此外，还提出了三种新的评估协议，对各种协作和数据可用性场景下的异常检测方法进行基准测试，并在两个大规模数据集（包括 UCF-Crime 和 XD-Violence）上广泛评估了该方法以及现有的无监督自标记方法。

Abstract

Unsupervised (US) video anomaly detection (VAD) in surveillance applications is gaining more popularity recently due to its practical real-world applications. As surveillance videos are privacy sensitive and the

unsupervised video anomaly detection surveillance applications collaborative learning privacy-preserving anomaly detection

发现论文，激发创造

10 年来视频异常检测：综述与展望

通过深度学习方法的视频异常检测（VAD）调查，本篇综述探索了传统监督训练范式之外的新兴弱监督、自监督和无监督方法，研究了 VAD 范式中的核心挑战，以及视觉语言模型（VLMs）作为强大的特征提取器在 VAD 中的作用，旨在增强复杂现实场景中异常检测的鲁棒性和效率，并填补现有知识差距，为研究人员提供有价值的见解，为 VAD 研究的未来贡献力量。

May, 2024

无监督视频异常检测的生成协作学习

本文提出了一种基于 Generative Cooperative Learning 方法的无监督视频异常检测方法，该方法利用了异常出现频率低的特点，通过生成器和判别器之间的交叉监督实现网络的协同训练，实现了无监督学习。在 UCF crime 和 ShanghaiTech 两个大规模视频异常检测数据集上的实验表明，相较于现有的无监督和 one-class 分类方法，在性能上得到了一致的提高。

Mar, 2022

TeD-SPAD: 自监督隐私保护的视频异常检测中的时序独特性

提出了一种隐私感知的视频异常检测框架 TeD-SPAD，通过自学习的方式销毁视觉私人信息，并在隐私保护和异常检测性能之间实现了正面权衡。

Aug, 2023

一种粗到细的伪标签（C2FPL）框架用于无监督视频异常检测

提出了一种简单但有效的两阶段伪标签生成框架，用于训练一个监督方式下的区段级异常检测器，以识别视频中的异常事件。

Oct, 2023

利用大型语言模型实现免训练视频异常检测

视频异常检测 (VAD) 旨在暂时定位视频中的异常事件。本文提出了一种名为 LAnguage-based VAD (LAVAD) 的方法，利用预训练的大型语言模型 (LLMs) 和现有的视觉 - 语言模型 (VLMs) 来处理 VAD，通过生成每个测试视频的文字描述，设计了一种启动机制，将 LLMs 转化为有效的视频异常检测器，并结合跨模态相似度进行清理和改善 LLMs 的基于异常评分的方法。在两个具有真实监控场景的大型数据集 (UCF-Crime 和 XD-Violence) 上评估 LAVAD，结果显示它在不需要任何训练或数据收集的情况下优于无监督和单类方法。

Apr, 2024

GlanceVAD: 探索用于高效标签的视频异常检测的瞥视监督

本文提出了一种名为 “glance annotation” 的新型标注范式，通过在异常事件中添加随机帧来平衡异常检测准确性和标注成本，在 UCF-Crime 和 XD-Violence 两个标准视频异常检测数据集上进行了综合分析和实验验证，证明了该标注范式能够在标注成本和模型性能之间取得卓越的平衡，同时通过凭借高斯核作为基本单元来构建时序异常分布的 GlanceVAD 方法，在广泛的实验结果中明确了其在超越现有先进无监督和弱监督方法方面的有效性。

Mar, 2024

利用聚类辅助异物检测视频的弱监督训练

我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。

Mar, 2022

Holmes-VAD: 通过多模态 LLM 实现无偏和可解释的视频异常检测

提出 Holmes-VAD，一种新颖的框架，利用精确的时间监督和丰富的多模态指令，实现准确的异常定位和全面的解释。

Jun, 2024

评估野外视频异常检测的有效性：面向实际部署的在线学习和推断

通过在线学习框架，本研究评估了当前视频异常检测算法在现实环境中的适应性，特别是基于姿势分析的算法，在效率和隐私方面具备优势。研究发现，在最具挑战性的情况下，我们的在线学习方法使模型在特定目标领域中保持了 89.39% 的原始有效性。

Apr, 2024

基于时空伪异常生成的视频异常检测：一种统一方法

通过使用预先训练的潜在扩散模型修复被屏蔽区域图像，并进一步通过混合来扰动光流以产生时间空间扭曲，提出了一种新的生成通用时空伪异常的方法。此外，通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架，在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验，证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性，通过识别伪异常从而发现现实世界的异常提供了有价值的见解。

Nov, 2023