基于置信度的级联学习方法：用于监控视频中实时弱监督异常检测

《IEEE Access》：Confidence-Aware Cascaded Learning for Real-Time Weakly Supervised Anomaly Detection in Surveillance Video

　　

摘要：

弱监督视频异常检测（WS-VAD）技术取得了显著进展，但大多数方法仍然针对长时长、未经裁剪的视频流进行优化，无法满足实际监控场景中对延迟和可靠性的要求。在资产保护场景中，需要实时处理由运动触发的视频片段，现有方法往往会在准确性和效率之间做出妥协。我们提出了一种基于置信度的序列路由集成算法（CASRE），该算法专为片段级弱监督（CLWS）设计。CASRE结合了温度缩放的ResNet3D（TDR3D）作为主要检测器，并采用了一种新颖的时间尺度差分损失（Temporal-Scale Delta Loss）来强化置信度区分。只有低置信度的片段才会被路由到基于Transformer的MViTv2备用模型进行进一步处理，最终预测结果通过校准后的概率融合得到。这种选择性路由机制确保高容量模型仅在不到6%的片段中被调用，而大多数片段则能够利用轻量级的推理算法。在UCF–Crime、UCSD–Ped1/Ped2以及新引入的SSAD数据集（专为资产保护监控设计的真实世界基准数据集）上的广泛测试表明，CASRE的准确率可达98.64%，AUC为99.91%，同时大多数样本的推理时间小于0.03秒。通过结合置信度校准、选择性路由和异构模型融合，CASRE构建了一种可部署的WS-VAD框架，实现了准确率、鲁棒性和计算效率之间的平衡，非常适合在严格操作约束下的大规模监控应用。