用于无监督视频异常检测的隐私异常协作学习 (CLAP)：新基线

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

背景：

视频异常检测的目标是识别视频流中偏离正常模式的行为或事件。

根据是否需要标注数据，VAD方法通常可以分为以下几类：

1. 监督学习（Supervised Learning）：

   • 方法：依赖标注的“正常”和“异常”数据。
   • 缺点：异常事件的多样性和稀缺性使得全面标注异常行为几乎不可能。
   • 示例：开放集异常检测。

2. 半监督学习（Semi-Supervised Learning）：

   • 方法：假设所有未标注数据都是“正常”的，通过学习正常行为来识别异常。
   • 示例：基于记忆增强的异常检测。

3. 无监督学习（Unsupervised Learning）：

   • 方法：从未标注的数据中学习正常行为的分布模式，识别偏离分布的异常行为。
   • 优点：无需标注，适用范围广。
   • 示例：基于生成对抗网络（GAN）或自编码器（Autoencoder）的重建误差检测。

4. 弱监督学习（Weakly-Supervised Le