論文の概要: Track Any Anomalous Object: A Granular Video Anomaly Detection Pipeline

• arxiv url: http://arxiv.org/abs/2506.05175v1
• Date: Thu, 05 Jun 2025 15:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.796059
• Title: Track Any Anomalous Object: A Granular Video Anomaly Detection Pipeline
• Title（参考訳）: あらゆる異常物体の追跡:グラニュラビデオ異常検出パイプライン
• Authors: Yuzhi Huang, Chenxin Li, Haitao Zhang, Zixu Lin, Yunlong Lin, Hengyu Liu, Wuyang Li, Xinyu Liu, Jiechao Gao, Yue Huang, Xinghao Ding, Yixuan Yuan,
• Abstract要約: Track Any Anomalous Object (TAO)と呼ばれる新しいフレームワークでは、詳細なビデオ異常検出パイプラインが導入されている。 各画素に異常スコアを割り当てる手法とは異なり、我々の手法は問題から異常オブジェクトの画素レベルの追跡に変換する。 実験の結果、TAOは新しいベンチマークを精度と堅牢性で設定した。
• 参考スコア（独自算出の注目度）: 63.96226274616927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection (VAD) is crucial in scenarios such as surveillance and autonomous driving, where timely detection of unexpected activities is essential. Although existing methods have primarily focused on detecting anomalous objects in videos -- either by identifying anomalous frames or objects -- they often neglect finer-grained analysis, such as anomalous pixels, which limits their ability to capture a broader range of anomalies. To address this challenge, we propose a new framework called Track Any Anomalous Object (TAO), which introduces a granular video anomaly detection pipeline that, for the first time, integrates the detection of multiple fine-grained anomalous objects into a unified framework. Unlike methods that assign anomaly scores to every pixel, our approach transforms the problem into pixel-level tracking of anomalous objects. By linking anomaly scores to downstream tasks such as segmentation and tracking, our method removes the need for threshold tuning and achieves more precise anomaly localization in long and complex video sequences. Experiments demonstrate that TAO sets new benchmarks in accuracy and robustness. Project page available online.
• Abstract（参考訳）: ビデオ異常検出(VAD)は、予期せぬ活動のタイムリーな検出が不可欠である監視や自律運転などのシナリオにおいて重要である。 既存の手法は、主にビデオ内の異常な物体(異常なフレームや物体を識別する)を検出することに重点を置いているが、異常なピクセルのような細粒度の分析は無視されることが多く、より広い範囲の異常を捕捉する能力を制限する。 この課題に対処するため,我々はTrack Any Anomalous Object (TAO) と呼ばれる新しいフレームワークを提案する。 各画素に異常スコアを割り当てる手法とは異なり、我々の手法は問題から異常オブジェクトの画素レベルの追跡に変換する。 セグメンテーションやトラッキングなどの下流タスクに異常スコアをリンクすることにより、しきい値調整の必要性を排除し、長大かつ複雑なビデオシーケンスにおけるより正確な異常ローカライゼーションを実現する。 実験の結果、TAOは新しいベンチマークを精度と堅牢性で設定した。 プロジェクトページはオンラインで閲覧可能。

関連論文リスト

• Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
  本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。 提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-12T03:31:29Z)
• View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis [0.0]
  我々は、教師なし、画素ワイドな異常位置検出のタスクとして、シーン異常検出(Scene Anomaly Detection, Scene AD)を導入し、フォーマル化する。 ToyCityは,最初のマルチオブジェクト・マルチビューリアルタイム画像データセットである。 実験の結果,OmniADは拡張ビューで使用すると,逆蒸留よりも64.33%の画素幅(F_1)のスコアが増大することがわかった。
  論文  参考訳（メタデータ） (2024-06-26T01:54:10Z)
• Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection [103.92970668001277]
  弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。 まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。 そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-04T09:40:11Z)
• 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)
• Unsupervised Video Anomaly Detection via Normalizing Flows with Implicit Latent Features [8.407188666535506]
  既存のほとんどのメソッドはオートエンコーダを使用して、通常のビデオの再構築を学ぶ。 本稿では2つのエンコーダが暗黙的に外観と動きの特徴をモデル化する構造である暗黙の2経路AE(ITAE)を提案する。 通常のシーンの複雑な分布については,ITAE特徴量の正規密度推定を提案する。 NFモデルは暗黙的に学習された機能を通じて正常性を学ぶことでITAEのパフォーマンスを高める。
  論文  参考訳（メタデータ） (2020-10-15T05:02:02Z)
• Video Anomaly Detection for Smart Surveillance [13.447928371592557]
  ビデオ内の異常は、異常な振る舞いを示すイベントまたはアクティビティとして定義される。 異常検出の目標は、ビデオシーケンス内の異常事象を時間的または空間的に局所化することである。 本稿では,ビデオ異常検出に関する最近の研究動向について概説する。
  論文  参考訳（メタデータ） (2020-04-01T04:13:55Z)

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。