迈向自适应、以人为中心的视频异常检测：一个全面的框架与一个新的基准测试

《IEEE Transactions on Circuits and Systems for Video Technology》：Towards Adaptive Human-centric Video Anomaly Detection: A Comprehensive Framework and A New Benchmark

针对人行为异常检测中的数据多样性和标注稀缺问题，本文提出HuVAD隐私保护数据集及UCAL持续学习框架，通过增量学习实现模型自适应，在83.33%场景中超越传统方法。

　　

摘要：

以人为中心的视频异常检测（VAD）旨在识别偏离正常行为的人类行为。从根本上说，这种检测方法面临诸多挑战，例如人类行为的多样性、异常事件的稀有性以及伦理限制。这些因素限制了高质量数据集的获取，凸显了需要一个支持持续学习的数据集和框架的必要性。为了朝着自适应的以人为中心的VAD方向发展，我们推出了HuVAD（以人为中心、增强隐私的视频异常检测）数据集和一种新颖的无监督持续异常学习（UCAL）框架。UCAL实现了增量学习，使模型能够随时间进行适应，从而架起了传统训练与实际应用之间的桥梁。HuVAD通过提供去标识化的注释来保护隐私，并包含了七种室内/室外场景，其包含的带姿态注释的帧数比之前的数据集多出5倍以上。我们的标准和持续性评估使用了全面的指标体系，结果显示，在83.33%的案例中，基于UCAL的模型表现更为出色，创下了新的最佳水平（SOTA）。该数据集可访问地址为：https://github.com/TeCSAR-UNCC/HuVAD。