論文の概要: Cog-VADU: A Training-Free Cognitive Reasoning Framework for Video Anomaly Detection and Understanding
- arxiv url: http://arxiv.org/abs/2610.01754v1
- Date: Thu, 01 Oct 2026 14:18:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.18467
- Title: Cog-VADU: A Training-Free Cognitive Reasoning Framework for Video Anomaly Detection and Understanding
- Title（参考訳）: Cog-VADU:ビデオ異常検出・理解のための学習自由認知推論フレームワーク
- Abstract要約: Video Anomaly Detectionは、ビデオ内の異常事象を時間的にローカライズすることを目的としている。
近年、LVLM(Large Vision-Language Models)に基づくゼロショット法は、この依存を緩和するが、時間的連続性や構造化推論を欠いていることが多い。
本稿では,VADを逐次的認知的推論タスクとして再編成する,完全トレーニングフリーのフレームワークであるCog-VADUを提案する。
- 参考スコア（独自算出の注目度）: 37.474177639334705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video Anomaly Detection (VAD) aims to temporally localize abnormal events in videos. Most existing approaches rely on dataset-specific training and curated annotations, limiting generalization in open-set scenarios. Recent zero-shot methods based on Large Vision- Language Models (LVLMs) alleviate this dependency but often lack temporal continuity and structured reasoning. We propose Cog-VADU, a fully training-free framework that reformulates VAD as a sequential cognitive reasoning task. Cog-VADU introduces Chain-of- Anomaly Detection Thought Prompting (CoADTP), which unrolls an LVLM into a recurrent reasoning chain across video segments. By propagating structured rationales over time, the model maintains implicit temporal memory, enabling robust discrimination between com- plex anomalies and high-motion normal activities. To improve reliability, we further design a cross-modal re-ranking stage that aligns textual rationales with visual embeddings, enforcing semantic consistency and temporal coherence for refined and stable predictions. Extensive experiments on multiple public VAD benchmarks demonstrate that Cog-VADU achieves competitive zero-shot performance. Moreover, cross-model evaluations show that CoADTP consistently enhances reasoning-based anomaly detection in a model-agnostic manner, pro- viding interpretable and generalizable anomaly understanding for real-world applications.
- Abstract（参考訳）: ビデオ異常検出(VAD)は、ビデオ内の異常事象を時間的に局所化することを目的としている。
既存のアプローチのほとんどは、データセット固有のトレーニングとキュレートされたアノテーションに依存しており、オープンセットシナリオの一般化を制限している。
近年、LVLM(Large Vision-Language Models)に基づくゼロショット法は、この依存を緩和するが、時間的連続性や構造化推論を欠いていることが多い。
本稿では,VADを逐次的認知的推論タスクとして再編成する,完全トレーニングフリーのフレームワークであるCog-VADUを提案する。
Cog-VADUはChain-of-Anomaly Detection Thought Prompting (CoADTP)を導入し、ビデオセグメント間のリカレント推論チェーンにLVLMをアンロールする。
構造的論理を時間とともに伝播させることにより、モデルは暗黙の時間記憶を維持し、コンプレックス異常とハイモーション正常な活動の堅牢な識別を可能にする。
信頼性を向上させるために,文章の合理性を視覚的埋め込みと整合させるクロスモーダル・リグレード・ステージを設計し,高度で安定した予測のためのセマンティック・一貫性と時間的コヒーレンスを付与する。
複数のパブリックなVADベンチマークに対する大規模な実験は、Cog-VADUが競争力のあるゼロショット性能を達成することを示した。
さらに、クロスモデル評価により、CoADTPは、モデル非依存の方法で推論に基づく異常検出を一貫して強化し、実世界のアプリケーションに対して、プロバイディング解釈および一般化可能な異常理解を行うことを示す。
関連論文リスト
- IVT-Guard: All-in-One Reasoning Model for AI-Generated Content Detection [68.61333779483097]
本稿では,画像,ビデオ,テキストモダリティ間でAIGC検出を統一かつ解釈可能なフレームワークであるIVT-Guardを提案する。
IVT-Guardは、ドメイン内、ドメイン外、データセット間における最先端検出性能を達成する。
論文 参考訳（メタデータ） (2026-09-27T14:00:55Z) - Adaptive Multi-Granularity Temporal Modeling for Weakly Supervised Video Anomaly Detection [1.2072875728151518]
弱教師付きビデオ異常検出(WSVAD)が重要な研究フロンティアとして登場した。
既存のほとんどのアプローチは、厳密で手作りの時間的優先順位に依存して異常スコアを監督するMultiple Instance Learning (MIL)フレームワークでWSVADを定式化する。
本稿では,複数の時間的粒度にまたがるビデオダイナミックスの変化を明示的に考慮したWSVADの適応時間的モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-04T12:27:43Z) - 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) - Learning to Watch: Active Video Anomaly Understanding via Interleaved Policy Optimization [56.150184676745205]
ビデオ異常理解(VAU)は、スパースでコンテキストに依存した手がかりに依存している。
本稿では,映像理解をアクティブな逐次意思決定プロセスとして再認識するクローズドループフレームワークである$Anomtext-$を提案する。
人間のビデオレビュー行動に触発されたこのフレームワークは、内部の認知的推論と戦略的エビデンスを、インターリーブされたポリシーに統一する。
論文 参考訳（メタデータ） (2026-07-01T08:41:49Z) - CoReVAD: A Contextual Reasoning Framework for Training-Free Video Anomaly Detection [0.14323566945483493]
CoReVADは、トレーニング不要なビデオ異常検出のためのコンテキスト推論フレームワークである。
生成出力のノイズを軽減するために,ローカル応答クリーニング(LRC)モジュールを導入する。
UCF-CrimeとXD-Violenceの実験は、CoReVADがトレーニング不要の手法間の競争性能を達成することを示した。
論文 参考訳（メタデータ） (2026-05-22T00:32:46Z) - 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) - Enhancing Multimodal In-Context Learning via Inductive-Deductive Reasoning [65.15766304205657]
In-context Learning (ICL) は、大規模なモデルをいくつかの例を使ってタスクに適応させるが、視覚言語モデル(VLM)への拡張は脆弱である。
我々の分析によると、基本的な限界は帰納的ギャップにあり、モデルはしばしば欠陥のある推論から正しい答えを導き出す。
帰納的帰納的プロセスとしてマルチモーダル ICL を再構成する枠組みを導入する。
論文 参考訳（メタデータ） (2026-05-04T09:18:19Z) - 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) - Reinforcing Structured Chain-of-Thought for Video Understanding [49.3086326382764]
概要駆動強化学習(SDRL)を紹介する。
SDRLは、Supervised Fine-Tuning (SFT)の必要性を回避したシングルステージのRLフレームワークである。
提案手法は、7つの公開ビデオQAデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2026-03-26T22:11:14Z) - 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)
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。