​视频异常检测（VAD）​

视频异常检测（VAD） 是一种通过分析视频流中的行为或场景，检测视频中的异常事件的技术。其主要应用是在监控、安全、交通等领域，目的是识别出与正常情况不同的异常行为或突发事件，如交通事故、入侵、暴力行为等。

现有的视频异常检测方法主要依赖于学习正常样本的分布，然后通过检测显著偏差来识别异常。然而，传统方法面临一些挑战：

1. 泛化能力不足：一些异常行为可能被错误地重构为正常行为，导致无法准确识别异常。
2. 跨领域适应能力弱：很多现有方法在不同领域的数据集上测试时，需要进行模型调整，难以实现零样本或少样本的跨数据集验证。

为解决这些问题，本文提出了一种基于运动引导的记忆模块的新方法，实现了零样本的跨数据集验证。主要技术包括：

• 全局伪异常构建：通过对原始视频外观图像添加高斯模糊，生成伪异常输入网络。
• 多尺度残差通道注意力机制：用于去除正常样本中的伪异常，增强模型对正常样本的辨别能力。
• 运动引导的记忆模块：在训练过程中记录正常样本的运动特征，并在测试阶段通过检索这些特征来区分正常与异常运动，从而增加它们之间的差距。

该技术的创新在于其跨数据集的零样本验证能力，意味着在测试时无需对新领域的数据进行模型调整。这显著提高了模型的泛化性和实用性，尤其是在缺乏大量目标领域数据的场景中依然能保持良好的检测性能。

论文作者：Jiahao Lyu,Minghua Zhao,Jing Hu,Xuewen Huang,Shuangli Du,Cheng Shi,Zhiyong Lv

作者单位：Xi'an University of Technology

论文链接：http://arxiv.org/abs/2409.17608v1

内容简介：

1）方向：视频异常检测（VAD）

2）应用：视频异常检测

3）背景：现有的VAD方法通常学习正常样本的分布，并通过测量显著偏差来检测异常，但不良的泛化可能会重构一些异常，从而抑制偏差。同时，大多数VAD无法处理新目标领域的跨数据集验证，少样本方法必须依赖目标领域的模型调整来完成领域适应。

4）方法：本文提出一种新的VAD方法，其中包含一个运动引导的记忆模块，以实现零样本的跨数据集验证。首先，对原始外观图像添加高斯模糊，构建全局伪异常，作为网络的输入。然后，提出了多尺度残差通道注意力，用于去除正常样本中的伪异常。接下来，在训练阶段通过记录运动特征获得记忆项，用于在测试阶段从原始信息中检索运动特征。最后，该方法可以通过注意力忽略模糊的真实异常，并依赖于运动记忆项增加正常和异常运动之间的正常性差距。

5）结果：在三个基准数据集上进行了大量实验，证明了所提出方法的有效性。与跨领域方法相比，所提出方法在测试期间无需适应即可实现竞争性能。