論文の概要: TD-VAD: Breaking Visual Dependence in Video Anomaly Detection with Text-Driven Learning
- arxiv url: http://arxiv.org/abs/2608.11820v1
- Date: Wed, 12 Aug 2026 09:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.528292
- Title: TD-VAD: Breaking Visual Dependence in Video Anomaly Detection with Text-Driven Learning
- Title（参考訳）: TD-VAD:テキスト駆動学習によるビデオ異常検出における視覚的依存の破壊
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 41.454560079801574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual data is typically a prerequisite for training existing video anomaly detection (VAD) methods. However, obtaining sufficient annotated anomaly data for training is challenging and not scalable due to the rarity of anomaly data and the wide variety of abnormal events. In this work, we advocate that the effectiveness of treating texts as video sequences for the VAD model and propose a novel Text-Driven Video Anomaly Detection (TD-VAD) approach to break visual dependence. In contrast to the anomaly video data, text descriptions of abnormal events are easy to collect, and their class labels can be directly derived. Specifically, our method utilizes video-like text descriptions with temporal characteristics generated by LLM to train a VAD model, without any reliance on target-domain anomaly data. To capture the long- and short-range temporal logic of events, we design the event evolution causal attention module to model contextual dependencies across time. During inference, considering the domain gap between the texts and video sequences, we use the frozen CLIP encoder to extract embeddings of video frames to align the text modality while retaining crucial visual information. Comprehensive experiments on two large-scale VAD datasets, XD-Violence and UCF-Crime, demonstrate that our method outperforms prior one-class and unsupervised VAD methods by a large margin.
- Abstract（参考訳）: 視覚データは、通常、既存のビデオ異常検出(VAD)メソッドを訓練するための前提条件である。
しかし, 十分なアノテートされた異常データを得ることは困難であり, 異常データの希少性や多種多様な異常事象のため, スケーラビリティが低い。
本研究では,VADモデルの動画シーケンスとしてテキストを効果的に扱えることを提案し,新しいテキスト駆動型ビデオ異常検出(TD-VAD)手法を提案する。
異常ビデオデータとは対照的に、異常事象のテキスト記述は収集が容易であり、それらのクラスラベルを直接抽出することができる。
具体的には、LLMが生成した時間特性を持つ映像的テキスト記述を用いて、ターゲット領域の異常データに依存することなく、VADモデルをトレーニングする。
イベントの長期的および短期的時間論理を捉えるため、イベント進化因果的注意モジュールを設計し、時間にわたってコンテキスト依存をモデル化する。
推論では,テキストとビデオシーケンスの領域ギャップを考慮し,凍結したCLIPエンコーダを用いてビデオフレームの埋め込みを抽出し,重要な視覚情報を保持しながらテキストのモダリティを整列させる。
XD-Violence と UCF-Crime の2つの大規模VADデータセットに関する総合的な実験により、本手法は1級および非教師付きVAD手法よりも大きなマージンで優れていることを示した。
関連論文リスト
- Context-structured Video Anomaly Detection with Large Vision-Language Models [30.02492464154922]
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。
論文 参考訳（メタデータ） (2026-07-21T13:08:14Z) - 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) - EventVAD: Training-Free Event-Aware Video Anomaly Detection [19.714436150837148]
EventVADはイベント対応のビデオ異常検出フレームワークである。
調整された動的グラフアーキテクチャとマルチモーダル・イベント推論を組み合わせる。
トレーニング不要な環境での最先端(SOTA)を実現し、7B以上のMLLMを使用する強力なベースラインを上回ります。
論文 参考訳（メタデータ） (2025-04-17T16:59:04Z) - 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) - 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) - 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) - 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) - 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。