論文の概要: Frame-Level Evaluation in Weakly Supervised Video Anomaly Detection Mostly Measures Video-Level Ranking

• arxiv url: http://arxiv.org/abs/2608.21854v1
• Date: Sat, 22 Aug 2026 08:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.931123
• Title: Frame-Level Evaluation in Weakly Supervised Video Anomaly Detection Mostly Measures Video-Level Ranking
• 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評価
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3296196518120915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly supervised video anomaly detectors are trained with video-level labels but are commonly evaluated as temporal localizers using Micro-AUROC or AP over pooled test frames. Because these metrics compare frames from different videos, a detector can score well by separating videos without accurately ordering moments within them. We exactly decompose Micro-AUROC by video identity into Within-AUROC for temporal ordering within videos and Cross-AUROC for comparisons across videos. Across ShanghaiTech, XD-Violence, and UCF-Crime, only 0.071-0.388% of comparisons between anomalous and normal frames occur within the same video. When both classes remain distributed across V videos, this share decreases as O(1/V), a benchmark property we call temporal dilution. We train anomaly video binary classifiers under the same video-level supervision and repeat each video score across all frames. These video-constant outputs reach 81.40-97.18 Micro-AUROC despite having no within-video variation. Across 72 controlled runs, replacing every frame score with its video mean preserves a median 98.6% of the Micro-AUROC margin above chance. The same empirical pattern holds for author-released outputs and for XD-Violence under its official AP evaluation. A detector can therefore achieve a high pooled score even when it assigns the same score to every moment within each video.
• Abstract（参考訳）: 弱教師付きビデオ異常検出装置はビデオレベルのラベルで訓練されるが、一般に、プールされたテストフレーム上でMicro-AUROCまたはAPを用いて時間的ローカライザとして評価される。 これらのメトリクスは、異なるビデオのフレームを比較するため、検出者は、その中の瞬間を正確に注文することなく、ビデオを分離することで、良いスコアを得ることができる。 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を正確に分解する。 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。 両方のクラスがVビデオに分散し続けると、このシェアは、時間的希釈と呼ばれるベンチマーク特性であるO(1/V)として減少する。 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。 ビデオの出力は81.40-97.18 Micro-AUROCに達する。 72回にわたって制御され、全てのフレームスコアをビデオに置き換えることで、マイクロ・オーロック・マージンの98.6%を維持している。 同じ経験的パターンは、著者がリリースした出力と、XD-Violenceの公式AP評価に基づいて保持される。 したがって、ビデオ内の各瞬間に同じスコアを割り当てた場合でも、検出器は高いプールスコアを達成することができる。

関連論文リスト

• Auditing Frame-Level AUC in Weakly Supervised Video Anomaly Detection: Granularity, Resolution, and Scene Bias [5.775466814803881]
  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。
  論文  参考訳（メタデータ） (2026-08-12T12:22:02Z)
• VC-Bench: Pioneering the Video Connecting Benchmark with a Dataset and Evaluation Metrics [83.61875204972465]
  ビデオ接続(Video Connecting)は,ビデオクリップの開始と終了の間にスムーズな中間映像コンテンツを生成するタスクである。 このギャップを埋めるため、私たちはビデオ接続に特化した新しいベンチマークであるVC-Benchを提案しました。 VC-Benchは、ビデオ品質スコアVQS、スタート-エンド一貫性スコアSECS、トランジッションスムースネススコアSSの3つの中核的な側面に焦点を当てている。
  論文  参考訳（メタデータ） (2026-01-27T06:15:12Z)
• 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)
• Temporal Inconsistency Guidance for Super-resolution Video Quality Assessment [63.811519474030234]
  本稿では,フレームの時間的矛盾を定量化するための知覚指向アプローチを提案する。 人間の視覚システムに触発され,不整合誘導時間モジュールを開発した。 我々の手法は最先端のVQA手法よりも優れています。
  論文  参考訳（メタデータ） (2024-12-25T15:43:41Z)
• 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)
• Overlooked Video Classification in Weakly Supervised Video Anomaly Detection [4.162019309587633]
  本稿では,BERT や LSTM を用いた映像分類管理の能力について検討する。 このBERTまたはLSTMにより、ビデオの全スニペットのCNN機能は、ビデオ分類に使用できる単一の機能に集約できる。 このシンプルだが強力なビデオ分類監督は、MILフレームワークに組み合わされ、3つの主要なビデオ異常検出データセットすべてに対して、驚くほどのパフォーマンス改善をもたらす。
  論文  参考訳（メタデータ） (2022-10-13T03:00:22Z)
• Anomaly detection in surveillance videos using transformer based attention model [3.2968779106235586]
  本研究は、トレーニングビデオにおける異常セグメントの注釈付けを避けるために、弱教師付き戦略を用いることを示唆する。 提案するフレームワークは,実世界のデータセット,すなわちShanghaiTech Campusデータセットで検証される。
  論文  参考訳（メタデータ） (2022-06-03T12:19:39Z)
• Efficient Video Segmentation Models with Per-frame Inference [117.97423110566963]
  推論のオーバーヘッドを導入することなく、時間的一貫性を改善することに注力する。 本稿では,時間的一貫性の喪失やオンライン/オフラインの知識蒸留手法など,ビデオシーケンスから学ぶためのいくつかの手法を提案する。
  論文  参考訳（メタデータ） (2022-02-24T23:51:36Z)
• 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)
• No frame left behind: Full Video Action Recognition [26.37329995193377]
  我々は全映像の動作認識を提案し,全映像のフレームを考察する。 まず、時間次元に沿って全てのフレームアクティベーションをクラスタ化する。 次に、時間的にクラスタ内のフレームをより少ない数の表現に集約する。
  論文  参考訳（メタデータ） (2021-03-29T07:44:28Z)
• Semi-Supervised Action Recognition with Temporal Contrastive Learning [50.08957096801457]
  2つの異なる速度でラベル付きビデオを用いて2経路の時間的コントラストモデルを学習する。 我々は最先端の半教師付き画像認識手法の映像拡張性能を著しく向上させた。
  論文  参考訳（メタデータ） (2021-02-04T17:28:35Z)
• 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。