面向开放世界的以对象为中心的视频异常检测框架:区分已知与未知异常类别

《Scientific Reports》:YOLO world guides open world video anomaly detection

【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9

编辑推荐:

   摘要 视频异常检测对于安全关键监控具有重要意义,然而部署系统必须能够识别训练数据中不存在的异常类别。现有的弱监督和视觉-语言方法侧重于视频级或片段级评分,或文本-视频相似度,限制了以对象为中心的时间推理以及直接区分已知与未知类别的能力。为克服这些局限性,本文提出OW-YW-

  摘要视频异常检测对于安全关键监控具有重要意义,然而部署系统必须能够识别训练数据中不存在的异常类别。现有的弱监督和视觉-语言方法侧重于视频级或片段级评分,或文本-视频相似度,限制了以对象为中心的时间推理以及直接区分已知与未知类别的能力。为克服这些局限性,本文提出OW-YW-VAD,一个以对象为中心的开放世界视频异常检测框架。YOLO-World提供开放词表的对象证据,ByteTrack构建轨迹,时间卷积编码器和交互模块建模运动与上下文。已知类别置信度、正常记忆距离、区域动态和语义不确定性被融合以生成局部化的正常、已知异常和未知异常决策。实验结果表明,在独立基准协议(Protocol-A)的真实视频实验中,OW-YW-VAD在UBnormal、ShanghaiTech和UCF-Crime上分别取得了76.10%、98.60%和90.12%的性能。在五种子的留出类别真实视频实验中,已知与未知区分AUROC为96.36±0.25%,OSCR为88.67±0.19%,未知类别F1为90.50±0.16%。提示角色消融实验进一步表明,对象提示在融合决策中占主导地位,而辅助提示组在留出类别协议下尚未产生正向贡献。实验评估量化了声明协议下的基准异常检测和直接已知与未知区分能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号