HAWK：学习理解开放世界视频异常（HAWK: Learning to Understand Open-World Video Anomalies）

摘要

问题

• 现有VAD系统是对场景肤浅的语义理解
• 有限的用户交互
• 数据集中的数据稀缺限制在开放世界场景中的使用

注释工作

• 对超过8000个异常视频进行了语言描述的注释
• 并创建了8000个QA对

HAWK方法

HAWK是利用交互式大型视觉语言模型（VLM）来解释异常的新框架。

• 明确整合运动模态来增强异常识别
• 构建辅助一致性损失来增强运动注意力，即让视频分支更关注于运动模态
• 建立运动与语言表示之间的监督来提高运动到语言的解释能力

实验结果

HAWK在视频描述生成和问答任务中实现了最先进的性能，超越了现有的基准系统

开源

数据集

一、引言

图1：在VAD中不同的架构。

• （A）是传统的VAD，他使用一个二分类器来检测异常
• （B）是使用多分类器整合语义信息来给出对不同类型的异常信息，仅限于检测异常帧
• （C）是之前的视频理解框架，可以交互式的为用户提供丰富的语义信息（但更多关注的是长距离上下文信息，而不是异常信息），但是不能准确定位异常（因为主要依赖伪标签）
• （D）为本文提出的方法，提高了异常理解能力，并使用带有丰富语义信息的注释标签来训练

1.1 问题

1. 如图1（A）所示，对场景的语义理解较浅，用户交互不足
2. 如图1（B）所示，仅限于检测异常帧，仍需进一步手动分析来理解异常
3. 如图1（C）所示，主要依赖于伪标签进行训练，更多关注长距离上下文信息，而不是与异常相关特征

1.2 提出HAWK方法

HAWK是一个交互式VLM（interactive large visual-language model），用于精确理解视频异常，如图1（D）所示。

1. 正常视频和异常视频中的运动差异显著。通过双分支框架显式集成运动模态，以增强对异常的理解（4.1）
2. 增强运动注意力。基于原始视频（外观特征）和其运动之间的互信息，在紧空间中构建了一个辅助一致性损失（4.2）隐式引导视频分支关注运动相关特征
3. 增强运动与相应语言的解释。从原始描述中提取与运动相关的语言（动词及其实体），以监督运动的视觉和语言表示（4.3）。

1.3 数据集处理

1. 从7个数据集收集
2. 为每个视频生成语言描述
3. 利用描述生成QA对——用于训练

想要更接近开放世界场景

1.4 训练

1. 在 WebVid上进行预训练，使其能理解一般视频
2. 在提出的数据集上进行微调，增强其在多个场景中对异常的理解

与基准相比，模型在文本级别和 GPT 引导指标中都实现了最先进的性能。文本级别应该指的是生成的描述质量如何。GPT引导指标应该指的是模型回答问题回答的怎么样。

1.5 贡献

1. 提出HAWK，集成运动模态
2. 为7个数据集生成语言描述和QA对
3. HAWK在多个场景中展现了最先进的视频异常理解和问答性能

二、相关工作

2.1 视频异常检测

提出的框架不仅集成了更全面的语义信息，而且为用户提供了先进的交互能力

2.2 在视频理解方面的大模型

在提出的模型中引入运动模态，优先考虑相关的视频内容

三、数据工程

$不仅可以理解视频中多种异常情况，还支持开放场景下的问答$

图2：数据集生成的流程。

• 第一行，首先将视频分割为片段密集片段并生成描述，然后通过将 描述 + prompt 输入给GPT4来生成与异常视频相关的描述，并且要人工检查出错误的
• 第二行，将 两个原则 + prompt 输入个GPT4来生成问题，并通过人工选出最合适的100个问题，将他们随机分给不同的视频，然后将上面的 描述 + 问题 + prompt 输入给GPT4来生成答案

3.1 原理

3.1.1 语言描述

对7个数据集进行详细的语言描述标注，涵盖了多种异常场景：

• 犯罪（UCF-Crime）
• 校园（ShanghaiTech、CUHK Avenue）
• 人行道（UCSD Ped1、Ped2）
• 交通（DoTA）
• 人类行为（UBnormal）

各种异常场景进行全面的微调，使其更接近开放世界场景

3.1.2 开放性问题

为每种场景构建了开放式的QA对，进一步增强模型对用户各种问题的实际回答能力。过程如图2所示。数据格式如下：

3.2 异常视频描述生成

1. 首先将视频拆分为密集的片段，确保捕捉到关键信息
2. 使用感知工具（InternVideo、Tag2Text、GRiT）自动生成每个片段的描述（UCF-Crime本身就有）
3. 将 描述 + prompt（生成与视频异常相关的具体描述）给GPT-4来为每个视频生成与异常相关的描述
4. 人工检查不准确的标注

3.3 以人为中心的QA对生成

虽然已经获得准确的异常视频描述。但仍可能面临用户提出的更开放性问题的挑战。

3.3.1 两个原则

1. 与异常相关：问题应与视频中的异常紧密相关
2. 5W2H：What、Who、Where、When、How、How much和Why

3.3.2 流程

1. 将 两个原则 + prompt 输入GPT-4来生成异常视频的开放性问题
2. 人工选择出最合适的100个问题，随机分配给每个视频
3. 将 问题 + prompt 输入GPT-4来为 <Q$\mathrm{UESTIONS}$> 生成 <A$\mathrm{NSWERS}$>

四、方法

以前的方法对视频中所有部分给予同等的注意，忽略了异常特征。

方法旨在将异常准确的解释为自然语言。

方法的核心为引导视觉指令专注于异常。因为以前的研究证明运动相关特征有助于识别多个异常，所以接下来会围绕着运动模态。

图3：HAWK概述。在训练过程中，旨在优化3个损失：

• ①原始视频到语言匹配损失，是为了生成一般性的语言描述吗？
• ②原始视频到运动一致性损失，是为了让原始视频更关注与运动相关的
• ③运动到语言匹配损失，是为了让模型更好的描述运动

4.1 显式集成运动模态

HAWK专门集成了运动模态，采用双分支架构：

• $f_v$ 表示原始视频理解网络
• $f_m$ 表示运动理解
• 两者架构相同但参数独立

整体框架如下：

• ${\mathbf{X}}_{\mathbf{v}}\in {\mathbb{R}}^{T\times C\times H\times W}$ 表示用于提取外观特征的<VIDEO>输入
  • $T$ 表示时间维度
• ${\mathbf{X}}_{\mathbf{m}}=M({\mathbf{X}}_{\mathbf{v}})$ 表示用于提取运动特征的<VIDEO>输入
  • $M(\cdot )$ 表示运动提取器
• $f_m$、$f_v$ 表示来自 BLIP-2 的冻结预训练视频编码器，用于输出嵌入
  • 一个 EVA-CLIP
  • 一个预训练的 Video Q-Former
• $P_v(\cdot )$、$P_m(\cdot )$ 表示对于视频和运动的可学习的投影网络，旨在将视觉（视频和运动）嵌入 投影到 语言特征空间
• $f_t(\cdot )$ 表示冻结的 文本标记到嵌入 的投影，旨在使文本信息可以输入到LLaMA-2中
• $\oplus$ 表示 组合输入prompt
  • prompt为 “Here is the input video embedding: <VIDEO_EMBEDDING> and motion embedding <MOTION_EMBEDDING> in different frames, please help me to <DESCRIBE_VIDEO> | .”
  • <DESCRIBE_VIDEO> 是视频描述生成的问题类别
  • <QUESTION> 是视频问答的问题类别

通过结合 视觉标记嵌入 和 文本嵌入 $f_t(\mathbf{T})$ 输入给LLaMA-2 来生成最终的语言响应 $\mathbf{Y}$

4.2 隐式增强运动注意

上面虽然集成了运动模态来微调HAWK，但是视频分支和运动分支独立运行，所以视频分支不能提取出关注异常发生区域（运动）的外观特征。

4.2.1 提取运动

为了获得运动信息：

• $M^{(\mathrm{t})}(\cdot )$ 表示在时间步 $\mathrm{t}$ 的运动描述
  • 用于生成两个连续帧之间的运动
  • 使用 Gunnar Farneback 的算法
• ${\mathbf{X}}_{\mathbf{v}}^{(\mathbf{t})}$ 、${\mathbf{X}}_{\mathbf{v}}^{(\mathbf{t}-1)}\in {\mathbb{R}}^{1\times C\times H\times W}$ 表示在时间步 $\mathbf{t}$ 和 $\mathbf{t}-1$ 的视频帧
• ${\mathbf{X}}_{\mathbf{Motion}}^{(\mathbf{t})}\in {\mathbb{R}}^{2\times H\times W}$ 包含两个运动向量
  • $\mathbf{X}$ 方向（水平）
  • $\mathbf{Y}$ 方向（竖直）

使用这些通道的光流幅度作为 $\mathrm{Mask}$，归一化到 $[0,1]$，并与原始视频外观进行相乘，以遮蔽其他非运动区域：

• $\times$ 表示逐像素相乘操作
• ${\mathbf{X}}_{\mathbf{v}}^{(\mathbf{t})}$ 、${\mathbf{X}}_{\mathbf{m}}^{(\mathbf{t})}\in {\mathbb{R}}^{T\times C\times H\times W}$ 表示在时间步 $\mathrm{t}$ 的原始视频和运动信息
  • $T$ 表示我们通常会提取 $T$ 帧

4.2.2 构建${\mathcal{L}}_{MV}$损失

图4：HAWK损失可视化。

• ①表示原始的视频到语言损失
• ②表示运动模态适应的余弦相似度损失
• ③表示运动到语言损失

因为 ${\mathrm{X}}_{\mathrm{m}}$ 仅包含关键的异常信息，且是从 ${\mathrm{X}}_{\mathrm{v}}$ 中提取出来的，他们之间有一种包含关系。所以想要让外观特征（原始的视频）可以更加集中在运动区域的话，就将 ${\mathrm{X}}_{\mathrm{m}}$ 与 ${\mathrm{X}}_{\mathrm{v}}$ 压缩到一个紧凑的空间：

• $C_v(\cdot )$ 表示压缩函数
• $C_v$和$C_m$ 与 $P_v$和$P_m$ 共享一些初始的浅层参数（见图 3）
• ${\mathbf{X}}_{\mathbf{v}}^{\mathbf{c}}=C_v(f_v({\mathbf{X}}_{\mathbf{v}}))$ 表示 ${\mathbf{X}}_{\mathbf{v}}$ 通过压缩函数压缩后的紧凑表示
• ${\mathbf{X}}_{\mathbf{m}}^{\mathbf{c}}=C_m(f_m({\mathbf{X}}_{\mathbf{m}}))$ 表示 ${\mathbf{X}}_{\mathbf{m}}$ 通过压缩函数压缩后的紧凑表示

4.3 解释运动到语言

虽然HAWK引入了运动模态，但是运动与语言表示之间的对应关系不明确。

4.3.1 提取与运动相关的语言

有研究证明：语言中运动的表示主要来自动词及其相应的实体。

首先对原始句子进行 依赖关系分析：

• $D(\cdot )$ 表示 依赖解析
• ${\mathbf{Y}}_{\mathbf{gt}}$ 表示真实值
• ${\mathbf{G}}_{\mathbf{gt}}$ 表示 依赖结构图，表示句子中词汇之间的句法关系

根据 依赖结构图，可以提取动词 $\mathrm{V}$ 以及相关的实体（主语$\mathrm{S}$、宾语$\mathrm{O}$、间接主语${\mathrm{S}}_{\mathrm{i}}$、间接宾语${\mathrm{O}}_{\mathrm{i}}$），然后将这些元素组合成 表示运动的短语：

• $M_l(\cdot )$ 是运动语言提取器
• ${\mathbf{Y}}_{\mathbf{gt}}^{\mathbf{m}}$ 是与运动相关的语言

4.3.2 构建${\mathcal{L}}_{ML}$损失

在视觉和语言表示中的运动之间建立强有力的监督，即运动-语言匹配（motion-language
matching）作为辅助损失：

• ${\mathcal{L}}_{ML}$ 是交叉熵损失
• $N$ 表示单词数量

4.3.3 优化目标

总的损失函数为：
$$\mathcal{L}={\mathbf{t}}_0\times {\mathcal{L}}_{VL}+{\mathbf{t}}_1\times {\mathcal{L}}_{MV}+{\mathbf{t}}_2\times {\mathcal{L}}_{ML}$$

• ${\mathbf{t}}_0、{\mathbf{t}}_1、{\mathbf{t}}_2$ 是超参数
• ${\mathcal{L}}_{VL}$ 是原始视频到语言匹配损失，如图4①
• ${\mathcal{L}}_{MV}$ 是原始视频到运动一致性损失，如图4②
• ${\mathcal{L}}_{ML}$ 是运动到语言匹配损失，如图4③

五、实验

5.1 训练与测试

图5：训练和测试。

分为3个阶段：

5.1.1 预训练

在 WebVid 数据集上进行预训练来获取对视频内容的一般性理解

5.1.2 微调

使用8,000 个视频微调模型的异常理解能力：

• 90% 用于训练
• 10% 用于测试

在这个阶段，联合训练两个任务：

1. 视频描述生成
2. 视频问题回答

5.1.3 评估

在测试集中独立评估这两个任务，以确保模型的有效性

5.2 基线方法

选择了5个SOTA方法：VideoChatGPT, VideoChat, Video-LLaMA, LLaMA-Adapter, 和Video-LLaVA

5.3 评估指标

5.3.1 4个文本级指标

从 BLEU (Bilingual Evaluation Understudy)-1 到 BLEU-4，测量模型生成文本与真实文本之间的词汇重叠

• 客观地评估文本的相似度
• 考虑文本级别的不同粒度

5.3.2 GPT-guided 评估

对语言的三个主要方面进行打分，每个方面的评分范围为 0 到 1：

• 合理性：逻辑推理和连贯性
• 细节：详细程度和具体性
• 一致性：一致性和连贯性

旨在提供对文本质量更细致的理解

5.4 定量评估

生成的文本更贴近实际场景

表1：定量评估baseline和HAWK方法的性能。

• （A）表示对 异常视频描述生成 的各指标比较
• （B）表示对 视频问题回答 的各指标比较
• 红色是第一，蓝色是第二
  

5.5 定性评估

HAWK 能够准确理解并集中于视频异常

表2：定性评估baseline和HAWK方法的性能。

• （A）表示对 异常视频描述生成 的各指标比较
• （B）表示对 视频问题回答 的各指标比较
• 红色表示关键语义信息不一致
• 绿色表示生成结果与真实值很接近
• 黄色表示生成结果存在的问题

5.6 消融实验

对3个关键结构进行实验，在表3中分析了它们对整体性能的影响。

表3：两种任务的消融实验的定量评估。

• （A）表示对 异常视频描述生成 的消融实验
• （B）表示对 视频问题回答 的消融实验
• 红色是第一，蓝色是第二

表4：两种任务的消融实验的定性评估。

• 红色表示关键语义信息不一致
• 绿色表示生成结果与真实值很接近
• 黄色表示生成结果存在的问题

5.6.1 运动信息 的影响

去掉 $f_m、P_m、{\mathbf{X}}_{\mathbf{m}}$ 之后，模型甚至出现联想，如表4，对整体性能的影响如表3

5.6.2 视频-运动的一致性 的影响

削弱了模型对运动模态的适应能力，导致难以准确理解运动场景

5.6.3 运动到语言匹配 的影响

运动与语言之间的关联变得不明确，导致生成的语言包含不明确的运动信息

六、结论

1. 开发新的视频-语言框架HAWK
2. 它可以理解各种场景中的视频异常
3. 它融合运动特征和构建丰富的语言描述，在开放世界中表现出了最先进的性能
4. 它为提升模型与用户的互动奠定了基础