論文の概要: Auditing Frame-Level AUC in Weakly Supervised Video Anomaly Detection: Granularity, Resolution, and Scene Bias

• arxiv url: http://arxiv.org/abs/2608.11985v2
• Date: Fri, 14 Aug 2026 21:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 13:30:43.583331
• Title: Auditing Frame-Level AUC in Weakly Supervised Video Anomaly Detection: Granularity, Resolution, and Scene Bias
• Title（参考訳）: 弱監視ビデオ異常検出におけるフレームレベルAUCの検討:粒度,解像度,シーンバイアス
• Abstract要約: ROC曲線(AUC)下のフレームレベル領域は、弱教師付きビデオ異常検出(WSVAD)の主流評価指標である ソースに関わらず、テストビデオ間でフレームペアを集約するため、この比較をプールAUCと呼ぶ。 異なるバックボーンファミリーにまたがる最近の最先端モデルに対して、UCF-Crime上でこのプロトコルを監査する。
• 参考スコア（独自算出の注目度）: 5.775466814803881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frame-level area under the ROC curve (AUC) is the dominant evaluation metric for weakly supervised video anomaly detection (WSVAD). Its standard form measures whether an anomalous frame outranks a normal frame drawn from anywhere in the test set. We refer to this comparison as pooled AUC, since it aggregates frame pairs across test videos regardless of source. Pooled AUC therefore credits both event localization and differences between video sources. We audit this protocol on UCF-Crime across recent state-of-the-art models spanning different backbone families. Holding each model's frame scores fixed, we read them under three pairing granularities: global, per anomaly category, and within each video, then repeat the same three-granularity readout on zero-shot scores computed from the models' internal representations. We assess ranking reliability with a paired video bootstrap. Three findings follow. First, pooled AUC does not reliably predict within-video anomaly localization: models with similar pooled scores exhibit large localization differences and rank reversals under stricter granularities. Second, at the benchmark's test-split size, pooled AUC lacks the resolution to support state-of-the-art margins reported in the field. Within each backbone family, it resolves no comparison at those margins, while within-video AUC resolves several over identical predictions. Learned representations further reveal that within-video anomaly structure and detector localization are decoupled. Third, on normal footage alone, every model we examine separates videos by recording properties, such as resolution and color encoding, indicating that scene sensitivity is shared across the setting rather than specific to any architecture. We publicly release a granularity-aware protocol computable from existing predictions and scene-factor annotations for UCF-Crime.
• Abstract（参考訳）: ROC曲線(AUC)の下でのフレームレベル領域は、弱教師付きビデオ異常検出(WSVAD)において支配的な評価基準である。 その標準形式は、異常フレームがテストセットのどこからでも引き出された通常のフレームを上回るかどうかを測定する。 ソースに関わらず、テストビデオ間でフレームペアを集約するため、この比較をプールAUCと呼ぶ。 したがって、Pooled AUCは、イベントのローカライゼーションとビデオソースの違いの両方を信用している。 異なるバックボーンファミリーにまたがる最近の最先端モデルに対して、UCF-Crime上でこのプロトコルを監査する。 各モデルのフレームスコアを固定し、グローバル、アノマリーカテゴリ毎、各ビデオ内の3つのペアの粒度で読み、モデルの内部表現から計算したゼロショットスコア上で同じ3つのグラニュラリティの読み出しを繰り返す。 ペアビデオブートストラップによるランキング信頼性の評価を行った。 以下の3つの発見がある。 まず、プールされたAUCは、ビデオ内異常なローカライゼーションを確実に予測しない:類似のプールされたスコアを持つモデルは、より厳密な粒度の下で、大きなローカライゼーション差とランク反転を示す。 第二に、ベンチマークのスプリットサイズでは、プールされたAUCは、この分野で報告された最先端のマージンをサポートする解像度を欠いている。 各バックボーンファミリー内では、それらのマージンの比較は行われず、ビデオ内AUCは複数のオーバーオーバー予測を解決している。 学習された表現により、ビデオ内の異常構造と検出器の局在が分離されることが明らかになる。 第3に、通常の映像だけでは、解像度やカラーエンコーディングなどの特性を記録することにより、各モデルを分離し、シーンの感度がどのアーキテクチャにも特有ではなく、セッティング全体で共有されることを示す。 既存の予測とUCF-Crimeのシーンファクタアノテーションから計算可能な粒度対応プロトコルを公開している。

関連論文リスト

• What Do Interaction Representations Actually Measure? Pre-Event Separability in Weakly-Supervised Violence Detection [0.0]
  人工的な人間のポーズは、粗い空間的関係を超えた詳細な身体構成情報を提供する。 粗いバウンディングボックス形状にまたがる5つの相互作用表現、マッチした手作りポーズアナログ、リッチなポーズ記述子、マッチした容量エンコーダを比較した。 ポーズに基づく表現は粗い幾何学よりも優れることはないが、15の異常なビデオでは、この部分集合は小さな効果を排除できない。
  論文  参考訳（メタデータ） (2026-08-28T03:39:41Z)
• Frame-Level Evaluation in Weakly Supervised Video Anomaly Detection Mostly Measures Video-Level Ranking [2.3296196518120915]
  ビデオ内の時間的順序付けにはMicro-AUROCを、ビデオ間の比較にはCross-AUROCを、ビデオ内の時間的順序付けにはMicro-AUROCを分解する。 上海技術、XD-Violence、UCF-Crime全体では、異常フレームと通常のフレームの比較の0.071-0.388%が同じビデオ内で発生している。 我々は、同じビデオレベルの監督下で、異常なビデオバイナリ分類器を訓練し、すべてのフレームで各ビデオスコアを繰り返す。
  論文  参考訳（メタデータ） (2026-08-22T08:56:56Z)
• DUAL-VAD: Dual Benchmarks and Anomaly-Focused Sampling for Video Anomaly Detection [8.294763803639391]
  ビデオ異常検出(VAD)は、監視と公衆の安全のために重要である。 既存のベンチマークはフレームレベルかビデオレベルのタスクに限られている。 本研究は、フルビデオカバレッジを維持しながら、異常度セグメントを優先するソフトマックスベースのフレーム割り当て戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-15T05:48:22Z)
• Subjective and Objective Quality Assessment Methods of Stereoscopic Videos with Visibility Affecting Distortions [10.585857986453941]
  私たちは、12の参照と360の歪んだビデオからなるフルHD解像度ステレオスコープ(S3D)ビデオデータセットを作成します。 生成したビデオデータセットを24人の視聴者で主観分析する。 S3Dビデオに対して,オピニオン・ウナウェア(OU)とディストーション・ウナウェア(DU)のビデオ品質評価モデルを開発した。
  論文  参考訳（メタデータ） (2024-11-29T07:40:58Z)
• Delving into CLIP latent space for Video Anomaly Recognition [24.37974279994544]
  本稿では,CLIP などの大規模言語と視覚(LLV)モデルを組み合わせた新しい手法 AnomalyCLIP を提案する。 当社のアプローチでは、通常のイベントサブスペースを特定するために、潜伏するCLIP機能空間を操作することが特に必要です。 異常フレームがこれらの方向に投影されると、それらが特定のクラスに属している場合、大きな特徴量を示す。
  論文  参考訳（メタデータ） (2023-10-04T14:01:55Z)
• 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)
• Correspondence Matters for Video Referring Expression Comprehension [64.60046797561455]
  ビデオ参照表現(REC)は、文章に記述された参照オブジェクトをビデオフレーム内の視覚領域にローカライズすることを目的としている。 既存の手法では,1)ビデオフレーム間の非一貫性な局所化結果,2)参照オブジェクトとコンテキストオブジェクトの混同という2つの問題に悩まされている。 本稿では、フレーム間およびクロスモーダルの両方で密接な関連性を明確に強化する新しいデュアル対応ネットワーク(DCNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-21T10:31:39Z)
• Multi-Contextual Predictions with Vision Transformer for Video Anomaly Detection [22.098399083491937]
  ビデオの時間的文脈を理解することは、異常検出において重要な役割を果たす。 我々は3つの異なる文脈予測ストリームを持つトランスモデルを設計する。 連続する正常フレームの欠落フレームの予測を学習することにより、ビデオ内の様々な正常パターンを効果的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-17T05:54:31Z)
• Stand-Alone Inter-Frame Attention in Video Models [164.06137994796487]
  フレーム間アテンションブロック,すなわちスタンドアローン時空間アテンション(SIFA)の新たなレシピを提案する。 SIFAは、2つのフレームの違いによってオフセット予測を再スケーリングすることで、変形可能な設計を再構築する。 さらに、SIFAブロックをConvNetsとVision Transformerにプラグインし、SIFA-NetとSIFA-Transformerを考案する。
  論文  参考訳（メタデータ） (2022-06-14T15:51:28Z)
• Local-Global Associative Frame Assemble in Video Re-ID [57.7470971197962]
  ビデオ列から自動生成されたオブジェクト境界ボックスにおける雑音および非表現フレームは、ビデオ再識別(Re-ID)における識別表現の学習に困難をもたらす 既存の手法の多くは、局所的な部分アライメントまたはグローバルな外観相関によって、ビデオフレームの重要性を個別に評価することで、この問題に対処している。 本研究では,局所的なアライメントとグローバルな相関関係を共同で検討し,相互の促進・強化について考察する。
  論文  参考訳（メタデータ） (2021-10-22T19:07:39Z)
• 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)
• Uncertainty-Aware Weakly Supervised Action Detection from Untrimmed Videos [82.02074241700728]
  本稿では,ビデオフレームラベルのみを用いてトレーニングした,禁止レベルの行動認識モデルを提案する。 人1人当たりの手法は、複数のインスタンス学習フレームワーク内の大規模な画像データセットで訓練されている。 標準的な多重インスタンス学習の仮定では、各バッグには、指定されたラベルを持つ少なくとも1つのインスタンスが含まれているという仮定が無効である場合、どのようにメソッドを適用するかを示す。
  論文  参考訳（メタデータ） (2020-07-21T10:45:05Z)

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。