論文の概要: CADE: Continual Weakly-supervised Video Anomaly Detection with Ensembles

• arxiv url: http://arxiv.org/abs/2512.06840v1
• Date: Sun, 07 Dec 2025 13:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.549504
• Title: CADE: Continual Weakly-supervised Video Anomaly Detection with Ensembles
• Title（参考訳）: CADE:アンサンブルによる連続的に弱めに監視されたビデオ異常検出
• Authors: Satoshi Hashimoto, Tatsuya Konishi, Tomoya Kaichi, Kazunori Matsumoto, Mori Kurokawa,
• Abstract要約: ビデオ異常検出(VAD)は、長い間、公共の安全と犯罪防止において重要な問題として研究されてきた。 CADE(Continuous Anomaly Detection with Ensembles)と呼ばれる新しい手法を提案する。 CADEはDual-Generator(DG)を使用して、WVADにおけるデータの不均衡とラベルの不確実性に対処する。 また,過去のシーンで忘れられた異常を捉えるマルチ・ディスクリミネータ(MD)のアンサンブルも提案する。
• 参考スコア（独自算出の注目度）: 2.6688149327014146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection (VAD) has long been studied as a crucial problem in public security and crime prevention. In recent years, weakly-supervised VAD (WVAD) have attracted considerable attention due to their easy annotation process and promising research results. While existing WVAD methods tackle mainly on static datasets, the possibility that the domain of data can vary has been neglected. To adapt such domain-shift, the continual learning (CL) perspective is required because otherwise additional training only with new coming data could easily cause performance degradation for previous data, i.e., forgetting. Therefore, we propose a brand-new approach, called Continual Anomaly Detection with Ensembles (CADE) that is the first work combining CL and WVAD viewpoints. Specifically, CADE uses the Dual-Generator(DG) to address data imbalance and label uncertainty in WVAD. We also found that forgetting exacerbates the "incompleteness'' where the model becomes biased towards certain anomaly modes, leading to missed detections of various anomalies. To address this, we propose to ensemble Multi-Discriminator (MD) that capture missed anomalies in past scenes due to forgetting, using multiple models. Extensive experiments show that CADE significantly outperforms existing VAD methods on the common multi-scene VAD datasets, such as ShanghaiTech and Charlotte Anomaly datasets.
• Abstract（参考訳）: ビデオ異常検出(VAD)は、長い間、公共の安全と犯罪防止において重要な問題として研究されてきた。 近年, アノテーションプロセスや有望な研究結果により, 弱監督型VAD (WVAD) が注目されている。 既存のWVADメソッドは、主に静的データセットに対処するが、データのドメインが変化する可能性は無視されている。 このようなドメインシフトに適応するためには、継続学習(CL)の視点が必要である。 そこで本研究では,CLとWVADの視点を組み合わせた最初の研究であるContinuous Anomaly Detection with Ensembles (CADE)を提案する。 具体的には、Dual-Generator(DG)を使用して、WVADにおけるデータの不均衡とラベルの不確実性に対処する。 また, モデルが特定の異常モードに偏った「不完全性」が悪化し, 様々な異常の発見が遅れることが判明した。 そこで本稿では,複数のモデルを用いて,過去のシーンにおける誤りを捉えたマルチ・ディスクリミネータ(MD)を提案する。 大規模な実験により、CADEは上海工科大学やシャーロット・アノマリー・データセットのような、一般的なマルチシーンのVADデータセット上で、既存のVADメソッドを著しく上回ります。

関連論文リスト

• AnyAnomaly: Zero-Shot Customizable Video Anomaly Detection with LVLM [2.5988879420706095]
  ビデオ異常検出(VAD)は、コンピュータビジョンにおけるビデオ分析と監視に不可欠である。 既存のVADモデルは学習された通常のパターンに依存しており、多様な環境に適用することは困難である。 本研究では,C-VAD技術とAnyAnomalyモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-06T14:52:34Z)
• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• FUN-AD: Fully Unsupervised Learning for Anomaly Detection with Noisy Training Data [1.0650780147044159]
  ラベルなしおよび潜在的に汚染されたトレーニングデータを用いた完全教師なし異常検出のための新しい学習ベースアプローチを提案する。 本手法は, 2つの観測結果から, 正常試料間の対特徴距離が, 異常試料や異種試料間の対特徴距離よりも平均的に小さい可能性が示唆され, 互いに近接する2つの特徴対が等質な対である可能性が示唆された。 本研究は, 近接する近傍距離が信頼度の高いサンプルと異常を区別できることを示す最初の観測結果に基づいて, 反復的に再構成されたメモリバンクを用いた擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2024-11-25T05:51:38Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• 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)
• Beyond the Benchmark: Detecting Diverse Anomalies in Videos [0.6993026261767287]
  ビデオ異常検出(VAD)は、現代の監視システムにおいて重要な役割を担い、現実の状況における様々な異常を識別することを目的としている。 現在のベンチマークデータセットは、新しいオブジェクト検出のような単純な単一フレームの異常を主に強調している。 我々は,従来のベンチマーク境界を超える複雑な異常を包含するVAD調査の拡大を提唱する。
  論文  参考訳（メタデータ） (2023-10-03T09:22:06Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)

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。