論文の概要: Beyond Hazard Resemblance: Contrastive Event Adjudication for Training-Free Video Anomaly Detection
- arxiv url: http://arxiv.org/abs/2608.09908v1
- Date: Mon, 10 Aug 2026 17:52:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.420265
- Title: Beyond Hazard Resemblance: Contrastive Event Adjudication for Training-Free Video Anomaly Detection
- Title（参考訳）: 危険を乗り越える:訓練不要なビデオ異常検出のためのコントラスト的事象適応
- Abstract要約: トレーニング不要なビデオ異常検出(CEAVAD)のためのコントラスト事象適応法を提案する。
CEAVADは、推論の単位を孤立した異常概念から偽装可能な事象仮説へとシフトさせる。
3つの広く使われているVADベンチマークの実験は、CEAVADがトレーニングフリーパラダイムの下で最先端のパフォーマンスを達成することを示した。
- 参考スコア（独自算出の注目度）: 42.523544959534746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video anomaly detection (VAD) aims to identify and temporally localize abnormal events in videos. Supervised methods learn anomaly decision boundaries from target-domain annotations but require substantial in-domain data. Existing training-free methods leverage the rich semantic knowledge and reasoning capabilities of pretrained models to interpret visual content, yet these capabilities do not directly define an anomaly decision criterion: richer anomaly descriptions better capture hazard resemblance without resolving abnormality. To this end, we propose Contrastive Event Adjudication for training-free Video Anomaly Detection (CEAVAD), which shifts the unit of inference from isolated anomaly concepts to falsifiable event hypotheses and establishes an inference-time explanatory boundary through the interaction between competing explanations and video evidence. Specifically, CEAVAD first uses public-safety knowledge to construct hazard-benign event contrasts, pairing each hazard mechanism with a generic normal account and a mechanism-specific benign counterpart. It then determines whether the target interval better supports a hazard explanation or its benign competitor, yielding a revisable contrastive boundary proposal for the target. Finally, CEAVAD adjudicates between the competing explanations to determine whether the hazard hypothesis survives the video evidence, supporting both temporally localized anomaly detection and evidence-grounded explanations. Experiments on three widely used VAD benchmarks demonstrate that CEAVAD achieves state-of-the-art performance under the training-free paradigm.
- Abstract（参考訳）: ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定し、時間的に局所化することを目的としている。
監視されたメソッドは、ターゲットドメインアノテーションから異常な決定境界を学習するが、相当なドメイン内データを必要とする。
既存のトレーニングフリーな手法は、事前訓練されたモデルの豊かな意味知識と推論能力を利用して視覚的コンテンツを解釈するが、これらの能力は、異常な決定基準を直接定義するわけではない。
そこで本研究では,学習不要なビデオ異常検出(CEAVAD)のためのContrastive Event Adjudicationを提案し,推論単位を孤立した異常概念から偽造可能な事象仮説にシフトさせ,競合する説明とビデオ証拠の相互作用を通じて推論時説明境界を確立する。
具体的には、CEAVADはまず、有害事象のコントラストを構築するために、パブリックセーフティの知識を使用し、各ハザードメカニズムと一般的な正常なアカウントと、メカニズム固有の良なコントラストとをペアリングする。
そして、ターゲット間隔がハザード説明やその良心的な競合をより良く支持するかどうかを判断し、ターゲットに対して修正可能なコントラスト境界の提案を与える。
最後に、CEAVADは、競合する説明の間で、危険仮説がビデオ証拠を生き残るかどうかを判断し、時間的に局所化された異常検出とエビデンスに基づく説明の両方をサポートする。
3つの広く使われているVADベンチマークの実験は、CEAVADがトレーニングフリーパラダイムの下で最先端のパフォーマンスを達成することを示した。
関連論文リスト
- Glance, Scrutinize, and Think: Advancing Video Anomaly Detection from Training-Free to Agentic Reasoning [27.676141768874732]
ビデオ異常検出(VAD)は、異常事象を特定し、時間間隔をローカライズすることを目的としている。
従来の手法は異常が発生した時に局所化するが、意味的な理解が欠如している。
Glance then Scrutinize (GtS) は静的および動的テキストガイダンスを用いたトレーニング不要のフレームワークである。
実験の結果、GtSはトレーニング不要のベースラインを大幅に超え、エージェントモデルは高い精度と高速な推論を提供することがわかった。
論文 参考訳（メタデータ） (2026-08-07T17:07:49Z) - AgenticVAU: Multi-Agent Explore-Verify Reasoning for Video Anomaly Understanding [14.12320671130862]
本稿では,ビデオ異常理解のためのトレーニング不要なマルチエージェントフレームワークであるAgenticVAUを提案する。
視覚ルールの構築、探索計画、ビデオ観察、最終決定を扱うために、4つの特殊エージェントが導入された。
エージェントVAUは、十分な証拠が収集されるまで、広範囲の時間探査、密集した局所的検証、および相互比較をインターリーブする。
論文 参考訳（メタデータ） (2026-08-04T15:01:59Z) - LATERN: Test-Time Context-Aware Explainable Video Anomaly Detection [7.614138458711612]
視覚言語モデル(VLM)は、ビデオ異常検出(VAD)のための有望なパラダイムとして登場した。
本稿では,トークンの制約や理性から独立してセグメントレベルの推論を行うパイプラインの鍵となる制限に,時間的コンテキストを構造化せずに対処することを目的とする。
本稿では,VADを時間的証拠収集プロセスとして再構成したLATERNというコンテキスト認識フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-14T16:48:03Z) - DVAR: Adversarial Multi-Agent Debate for Video Authenticity Detection [32.91820764165758]
本稿では,ビデオ検出を構造化されたマルチエージェント法定推論プロセスとして再構成する学習自由フレームワークを提案する。
我々はオッカムの『ラザー』を用いて説明コストを定義し、各推論経路の「論理的負担」を定量化する。
我々は、生成境界と障害モードに関する高レベルな推論を提供する動的知識リポジトリであるGenVideoKBを統合する。
論文 参考訳（メタデータ） (2026-04-18T13:22:42Z) - Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。
既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。
そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-17T02:15:59Z) - Weakly Supervised Video Anomaly Detection with Anomaly-Connected Components and Intention Reasoning [23.043341269626016]
本稿では,WS-VAD のための Anomaly Semantics を学習するための LAS-VAD という新しいフレームワークを提案する。
本フレームワークは,異常接続されたコンポーネント機構と意図認識機構を統合している。
最先端の手法よりも優れており、顕著な利得がある。
論文 参考訳（メタデータ） (2026-02-28T08:57:33Z) - Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。
本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。
本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-02-27T13:48:50Z) - Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。
実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-02-10T14:54:17Z) - 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) - 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) - 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)
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。