論文の概要: Anomize: Better Open Vocabulary Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2503.18094v1
• Date: Sun, 23 Mar 2025 14:49:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:36:31.886642
• Title: Anomize: Better Open Vocabulary Video Anomaly Detection
• Title（参考訳）: Anomize:より優れたオープンな語彙ビデオ異常検出
• Authors: Fei Li, Wenxuan Liu, Jingjing Chen, Ruixu Zhang, Yuran Wang, Xian Zhong, Zheng Wang,
• Abstract要約: Open Vocabulary Video Anomaly Detectionは、ベースと新規の両方の異常を検出し分類する。 最初の課題は曖昧さの検出であり、モデルが正確な異常スコアを不慣れな異常に割り当てるのに苦労する。 第二の課題は分類の混乱であり、新しい異常はしばしば視覚的に類似したベースインスタンスとして誤って分類される。 そこで我々は,新しいラベルの符号化の指針となるラベル関係を取り入れ,新しいビデオと対応するラベルのアライメントを改善することを提案する。
• 参考スコア（独自算出の注目度）: 38.36290705266484
• License:
• Abstract: Open Vocabulary Video Anomaly Detection (OVVAD) seeks to detect and classify both base and novel anomalies. However, existing methods face two specific challenges related to novel anomalies. The first challenge is detection ambiguity, where the model struggles to assign accurate anomaly scores to unfamiliar anomalies. The second challenge is categorization confusion, where novel anomalies are often misclassified as visually similar base instances. To address these challenges, we explore supplementary information from multiple sources to mitigate detection ambiguity by leveraging multiple levels of visual data alongside matching textual information. Furthermore, we propose incorporating label relations to guide the encoding of new labels, thereby improving alignment between novel videos and their corresponding labels, which helps reduce categorization confusion. The resulting Anomize framework effectively tackles these issues, achieving superior performance on UCF-Crime and XD-Violence datasets, demonstrating its effectiveness in OVVAD.
• Abstract（参考訳）: Open Vocabulary Video Anomaly Detection (OVVAD)は、ベースおよび新規な異常の検出と分類を試みる。 しかし、既存の手法は、新しい異常に関連する2つの特定の課題に直面している。 最初の課題は曖昧さの検出であり、モデルが正確な異常スコアを不慣れな異常に割り当てるのに苦労する。 第二の課題は分類の混乱であり、新しい異常はしばしば視覚的に類似したベースインスタンスとして誤って分類される。 これらの課題に対処するために、複数の情報源からの補足情報を探索し、テキスト情報と並行して複数のレベルの視覚データを活用することにより、検出のあいまいさを軽減する。 さらに,新たなラベルの符号化を導くためにラベル関係を組み込むことにより,新規なビデオとそのラベルのアライメントを改善し,分類の混乱を軽減することを提案する。 その結果生まれたAnomizeフレームワークは、これらの問題に効果的に対処し、UCF-CrimeとXD-Violenceデータセット上での優れたパフォーマンスを実現し、OVVADの有効性を実証している。

関連論文リスト

• Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [16.77262005540559]
  イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。 これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。 提案手法はAPやAUCといった最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-02T10:42:47Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Weakly-Supervised Video Anomaly Detection with Snippet Anomalous Attention [22.985681654402153]
  弱教師付き異常検出のための異常注意機構を提案する。 提案手法は,擬似ラベルの監督を伴わないスニペットレベルの符号化機能を考慮したものである。
  論文  参考訳（メタデータ） (2023-09-28T10:03:58Z)
• Towards Video Anomaly Retrieval from Video Anomaly Detection: New Benchmarks and Model [70.97446870672069]
  ビデオ異常検出(VAD)はその潜在的な応用により注目されている。 Video Anomaly Retrieval (VAR)は、関連のある動画をモダリティによって実用的に検索することを目的としている。 一般的な異常データセットの上に構築されたUCFCrime-ARとXD-Violenceの2つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-07-24T06:22:37Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• A Self-Reasoning Framework for Anomaly Detection Using Video-Level Labels [17.615297975503648]
  監視ビデオにおける異常事象の検出は、画像およびビデオ処理コミュニティの間で困難かつ実践的な研究課題である。 本稿では、ビデオレベルラベルのみを用いて自己推論方式で訓練されたディープニューラルネットワークに基づく、弱い教師付き異常検出フレームワークを提案する。 提案するフレームワークは,UCF-crimeやShanghaiTech,Ped2など,公開されている実世界の異常検出データセット上で評価されている。
  論文  参考訳（メタデータ） (2020-08-27T02:14:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。