論文の概要: Beyond Isolated Entities: Relation-Aware Multi-Entity Modeling for Unsupervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.31753v1
• Date: Wed, 23 Sep 2026 09:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:07:47.310841
• Title: Beyond Isolated Entities: Relation-Aware Multi-Entity Modeling for Unsupervised Video Anomaly Detection
• Title（参考訳）: 孤立したエンティティを超えて: 教師なしビデオ異常検出のための関係性を考慮したマルチエンティティモデリング
• Abstract要約: パトロールロボットと監視システムのビデオ異常検出は、よく知られたエンティティ間の異常な相互作用を認識する必要がある。 既存の画素再構成法や孤立度法は、個々の実体が正常に見えるが、その空間的・運動的関係が異常であるときに失敗することがある。 対人対物対物対物対物相互作用(POAMI)は、各フレーム内の人や物の外観、動き、空間的構成を共同でモデル化することによって、孤立エンタテイメントを超越する。 InterACTは、一般シナリオにおける競争性能を維持しながら、人やオブジェクト間の関係の変化によって引き起こされる異常に対して特に有効である。
• 参考スコア（独自算出の注目度）: 10.129127776275817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection for patrol robots and surveillance systems must recognize abnormal interactions among familiar entities. Existing pixel-reconstruction and isolated-entity methods may fail when individual entities appear normal but their spatial or motion relations are abnormal. This work presents Interaction-Centric Network for Temporal Entity-Relation Analysis and Consistency Testing (INTERACT), a framework for unsupervised video anomaly detection. Person-Object Appearance-Motion Interaction (POAMI) moves beyond isolated-entity encoding by jointly modeling the appearance, motion, and spatial configurations of persons and objects in each frame. The resulting representations capture both individual entity states and their cross-entity context. Based on these representations, Target Geometry-Guided Relational Interaction Prediction (TGRIP) predicts target entity interaction states from historical relational memory and target-frame geometry without explicit identity tracking. Motion-Interaction Reconstruction and Alignment (MIRA) then evaluates these predictions through conditional flow reconstruction and semantic consistency checking, providing complementary anomaly evidence beyond prediction error alone. INTERACT achieves state-of-the-art performance, obtaining a frame-level AUC of 84.5% on the ShanghaiTech benchmark. Ablation studies show that removing cross-entity attention causes the largest performance drop, demonstrating the necessity of relational modeling. INTERACT is particularly effective for anomalies caused by changes in relations among people and objects, while maintaining competitive performance in general scenarios. The source code will be made publicly available at https://github.com/ppworkhard/INTERACT.
• Abstract（参考訳）: パトロールロボットと監視システムのビデオ異常検出は、よく知られたエンティティ間の異常な相互作用を認識する必要がある。 既存の画素再構成法や孤立度法は、個々の実体が正常に見えるが、その空間的・運動的関係が異常であるときに失敗することがある。 本稿では、教師なしビデオ異常検出フレームワークINTERACT(Interaction-Centric Network for Temporal Entity-Relation Analysis and Consistency Testing)を提案する。 対人対物対物対物対物相互作用(POAMI)は、各フレーム内の人や物の外観、動き、空間的構成を共同でモデル化することによって、孤立エンタテイメントを超越する。 結果として得られる表現は、個々のエンティティ状態と、それらの横断的なコンテキストの両方をキャプチャする。 これらの表現に基づいて、TGRIP(Target Geometry-Guided Relational Interaction Prediction)は、履歴的リレーショナルメモリとターゲットフレーム形状からターゲットエンティティの相互作用状態を明示的なアイデンティティトラッキングなしで予測する。 動作-相互作用再構成とアライメント(MIRA)は、条件付きフロー再構成と意味的整合性チェックを通じてこれらの予測を評価し、予測誤差以外の相補的な異常な証拠を提供する。 InterACTは、上海技術ベンチマークで84.5%のフレームレベルのAUCを得る、最先端のパフォーマンスを実現している。 アブレーション研究では、相互注意の除去が最大のパフォーマンス低下を引き起こし、リレーショナル・モデリングの必要性が示されている。 インタラクションは、一般シナリオにおける競争性能を維持しながら、人やオブジェクト間の関係の変化によって引き起こされる異常に対して特に有効である。 ソースコードはhttps://github.com/ppworkhard/INTERACT.comで公開されている。

関連論文リスト

• Inter-X++: A Comprehensive Benchmark for Multimodal Human-Human Interaction Analysis [55.78822230833247]
  We present Inter-X++, a comprehensive and large-scale benchmark designed to empower useful HHI analysis。 インターX++は11,388個の高忠実な相互作用シーケンスと8.1Mフレームを提供する。 インタラクションの再構築と意味理解を協調的に最適化する,単一かつ統一されたHHI表現とモデリングフレームワークOpenHHIを提案する。
  論文  参考訳（メタデータ） (2026-08-20T17:51:48Z)
• AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
  本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。 我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
  論文  参考訳（メタデータ） (2026-02-04T15:42:58Z)
• VADER: Towards Causal Video Anomaly Understanding with Relation-Aware Large Language Models [29.213430569936943]
  ビデオ異常検出のためのLLM駆動型フレームワークであるVADERを提案する。 VADERは、ビデオからの異常な理解を強化するために、オブジェクト機能と視覚的手がかりを統合する。 複数の実世界のVAUベンチマークの実験では、VADERは異常記述、説明、因果推論タスクにまたがって強い結果が得られることを示した。
  論文  参考訳（メタデータ） (2025-11-10T16:56:11Z)
• Learning Human-Object Interaction as Groups [52.28258599873394]
  GroupHOIは、幾何学的近接性および意味的類似性の観点から文脈情報を伝播するフレームワークである。 これは、より困難な非言語間相互作用検出タスクにおいて、主要なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-21T07:25:10Z)
• Interactive Spatiotemporal Token Attention Network for Skeleton-based General Interactive Action Recognition [8.513434732050749]
  本稿では,空間的,時間的,対話的な関係を同時にモデル化する対話型時空間意識ネットワーク(ISTA-Net)を提案する。 我々のネットワークには対話的時空間トークン(IST)を分割するトークン機構があり、これは複数の多様なエンティティの動作を表現する統一的な方法である。 ISTの3次元に沿って共同学習するために、3次元畳み込みと統合されたマルチヘッド自己認識ブロックは、トークン間の相関を捉えるように設計されている。
  論文  参考訳（メタデータ） (2023-07-14T16:51:25Z)
• Spatio-Temporal Relation Learning for Video Anomaly Detection [35.59510027883497]
  異常識別は、オブジェクトとシーンの関係に大きく依存する。 本稿では,ビデオ異常検出タスクに対処するための空間時間関係学習フレームワークを提案する。 3つの公開データセットで実験を行い、最先端手法よりも優れた性能を示し、本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-09-27T02:19:31Z)
• Spatio-Temporal Interaction Graph Parsing Networks for Human-Object Interaction Recognition [55.7731053128204]
  ビデオに基づくヒューマンオブジェクトインタラクションシーンでは、人間とオブジェクトの時間的関係をモデル化することが、ビデオに提示されるコンテキスト情報を理解するための重要な手がかりである。 実効時間関係モデリングでは、各フレームの文脈情報を明らかにするだけでなく、時間間の依存関係を直接キャプチャすることもできる。 外観特徴、空間的位置、意味情報のフル活用は、ビデオベースのヒューマンオブジェクトインタラクション認識性能を改善する鍵でもある。
  論文  参考訳（メタデータ） (2021-08-19T11:57:27Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
  人-物間相互作用(HOI)検出の課題に対処する。 既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。 本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:40Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)

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。