論文の概要: Context-structured Video Anomaly Detection with Large Vision-Language Models

• arxiv url: http://arxiv.org/abs/2607.19077v1
• Date: Tue, 21 Jul 2026 13:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.43192
• Title: Context-structured Video Anomaly Detection with Large Vision-Language Models
• Title（参考訳）: 大規模視線モデルを用いたコンテキスト構造ビデオ異常検出
• Abstract要約: CSI-VADは、様々な文脈で異常な事象を検知する、トレーニング不要なビデオ異常検出装置である。 キーとなるアイデアは、各ビデオを3つの異なるコンテキスト(環境、オブジェクト、時間)に分解し、別々のブランチでコンテキスト固有の推論を実行することである。 UCF-CrimeとUBnormalの実験により、CSI-VADは直観的ベースラインよりも一貫して改善されていることが示されている。
• 参考スコア（独自算出の注目度）: 30.02492464154922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training video anomaly detectors is challenging due to the difficulty and cost of annotating diverse and rare abnormal events. Although recent large vision-language models enable training-free inference, existing approaches mostly rely on holistic inference over sampled video and may miss context-specific anomaly cues. In this paper, we present CSI-VAD, a training-free video anomaly detector that identifies abnormal events across diverse contexts. The key idea is to decompose each video into three distinct contexts (environment, objects, time) and perform context-specific inference in separate branches. Because we ground anomaly judgments solely in context-specific visual cues, we do not require predefined text prompts describing abnormal events or dataset-specific tuning. Experiments on UCF-Crime and UBnormal show that CSI-VAD consistently improves over the direct holistic baseline and achieves competitive performance against existing methods, showing the advantage of structured context decomposition for training-free video anomaly detection.
• Abstract（参考訳）: ビデオ異常検出装置の訓練は、多様で稀な異常事象に注釈をつけるのが困難で費用がかかるため困難である。 近年の大規模視覚言語モデルでは、トレーニング不要な推論が可能となっているが、既存のアプローチは主にサンプルビデオよりも全体論的推論に依存しており、文脈固有の異常な手がかりを見逃す可能性がある。 本稿では,様々な状況にまたがる異常事象を検知するトレーニング不要なビデオ異常検出装置であるCSI-VADを提案する。 キーとなるアイデアは、各ビデオを3つの異なるコンテキスト(環境、オブジェクト、時間)に分解し、別々のブランチでコンテキスト固有の推論を実行することである。 文脈固有の視覚的手がかりのみに異常判断を下すため、異常事象やデータセット固有のチューニングを記述する事前定義されたテキストプロンプトは必要としない。 UCF-Crime とUBnormal の実験により,CSI-VAD は直観的ベースラインよりも一貫して改善され,既存の手法と競合する性能が得られた。

関連論文リスト

• TD-VAD: Breaking Visual Dependence in Video Anomaly Detection with Text-Driven Learning [41.454560079801574]
  本稿では,テキスト駆動型ビデオ異常検出(TD-VAD)手法を提案する。 本手法は,LLM が生成した時間特性を持つビデオライクなテキスト記述を用いて,VAD モデルを訓練する。 提案手法は,従来の一級・教師なしのVAD法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2026-08-12T09:03:42Z)
• Unlocking Vision-Language Models for Video Anomaly Detection via Fine-Grained Prompting [17.850029260662648]
  本稿では,ビデオ異常検出のための構造化プロンプトフレームワークであるASK-Hintを提案する。 提案手法は, セマンティック・コヒーレントなグループにプロンプトを整理し, きめ細かい案内質問を定式化する。 UCF-CrimeとXD-Violenceの実験では、ASK-Hintは以前のベースラインよりも一貫してAUCを改善している。
  論文  参考訳（メタデータ） (2025-10-02T16:06:31Z)
• Exploring What Why and How: A Multifaceted Benchmark for Causation Understanding of Video Anomaly [12.896651217314744]
  ビデオ異常の因果関係(ECVA)の探索のためのベンチマークを導入する。 私たちのベンチマークは慎重に設計されており、各ビデオには詳細な人間のアノテーションが添付されています。 本研究では,ECVAのヒト判定基準と密接に整合する特化評価指標であるAnomEvalを提案する。
  論文  参考訳（メタデータ） (2024-12-10T04:41:44Z)
• 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)
• 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)
• 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)
• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
  本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。 既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。 UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-11-16T17:28:46Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• 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)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)

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。