论文阅读
文章平均质量分 94
L1783516140
这个作者很懒,什么都没留下…
展开
-
Interleaving OneClass and Weakly-Supervised Models with Adaptive Thresholding for Unsupervised Video
在没有人工标注的情况下,典型的无监督视频异常检测(UVAD)方法需要训练两个相互生成伪标签的模型。在之前的工作中,这两个模型相互紧密纠缠,不知道如何在不显著修改训练框架的情况下升级它们的方法。其次,以往的工作通常采用固定阈值来获得伪标签,但用户指定的阈值不可靠,不可避免地会在训练过程中引入误差。为了缓解这两个问题,我们提出了一种新的交错框架,交替训练UVAD的一类分类(OCC)模型和弱监督(WS)模型。原创 2024-07-09 19:12:49 · 594 阅读 · 0 评论 -
Text Prompt with Normality Guidance for Weakly Supervised Video Anomaly Detection
弱监督视频异常检测(WSVAD)是一个具有挑战性的课题。目前,基于弱标签生成细粒度伪标签,然后对分类器进行自训练是一种很有前途的解决方案。然而,由于现有方法仅使用RGB视觉模态,忽略了对类别文本信息的利用,从而限制了伪标签更准确的生成,影响了自训练的性能。受基于事件描述的人工标注过程的启发,本文提出了一种基于文本提示与正常性引导(TPWNG)的WSVAD伪标签生成与自训练框架。我们的想法是利用对比语言图像预训练(CLIP)模型丰富的语言视觉知识,对视频事件描述文本和相应的视频帧进行对齐,生成伪标签。原创 2024-06-28 16:00:49 · 971 阅读 · 0 评论