lemonzjk的博客

这篇论文主要是发布了一个关于因果理解的数据集，考虑的很全面，包括是什么、为什么、多么重要。

作者主要是提出了WSVAD的`新范式VadCLIP`，是`双分支`结构，第一个分支利用视觉信息实现二分类，为粗粒度；第二个分支利用 视觉语言对齐方法 实现多分类，为细粒度。VadCLIP主要包括`3个组件`，分别为：①LGT-Adapter捕获时间依赖；②Two prompt mechanisms有效地将CLIP用到WSVAD任务；③MIL-Align实现了弱监督下对齐范式的优化，尽量保留了预训练的知识。

作者主要是提出了一个新颖的VAD方法，即VAD-LLaMA，将VLLMs加进了VAD框架，使得模型不仅可以检测异常，还可以解释异常，当然了，检测异常的时候还不用手动选择阈值。创新点主要是：①在MIL基线即VADor上引入了一个LTC来建模长期上下文（还有一个扩展，引入短期历史信息）；②提出了三阶段训练方法，使得在训练VLLMs到VAD领域时效率更高，即减少数据需求和降低标注成本。

这篇研究的是弱监督下的开放词汇视频异常检测任务，方法划分为2个任务，一个是只管检测异常，一个只管给异常分类。他认为重要的有：①是几乎没权重的TA模块；②可以给视觉信号注入语义知识的SKI模块；③可以生成伪异常样本的NAS模块。

主要是对现有的数据集进行了改造（生成语言描述+QA对），然后是提出了结合运动模态的新方法HAWK，它生成的语言描述更关注于对异常的理解，并且更倾向于泛化到开放世界场景。

首先提出了Holmes-VAD方法来解决了目前VAD方法中存在偏差和缺乏解释性的问题，然后构建了VAD-Instruct50k数据集来验证了Holmes-VAD方法的有效性，在构建数据集时引入了高效的标注范式（单帧注释、事件片段生成、时间片段描述）

本文主要提出了VANE-Bench数据集，它旨在评估Video-LMMs在VAD任务中的表现

提出了RTMF方法，显著提高了对微小异常的辨别能力和样本的使用效率。

本文主要研究弱监督下的基于视听两种模态下的大规模暴力检测，大规模是指提出了大规模暴力数据集XD-Violence，并且本文提出的方法可以用在离线检测和实时检测两种方面。

使用弱标记的正常和异常视频数据来训练一个深度MIL框架，是一个视频异常检测的通用模型，并且在新提出的数据集上验证其有效性。并展示了提出的数据集在异常识别任务种的实用性（benchmark）

提出LAVAD方法，利用预训练好的LLMs和VLMs来完成视频异常检测，不需要数据收集和模型训练。