論文の概要: Learning Temporal Evidence Selection for Video Anomaly Understanding
- arxiv url: http://arxiv.org/abs/2610.16299v1
- Date: Mon, 12 Oct 2026 07:26:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 06:39:05.597366
- Title: Learning Temporal Evidence Selection for Video Anomaly Understanding
- Title（参考訳）: ビデオ異常理解のための時間的エビデンス選択の学習
- Abstract要約: ビデオ異常理解(VAU)は、長いビデオにおける異常事象の言語レベルでの解釈を生成することを目的としている。
既存のVAUパイプラインは、異常中心または予め定義された時間サンプリング戦略に依存している。
VAU生成の目的を通じて時間的視覚的証拠を選択することを学習する意味条件付きテンポラルサンプリングQ-Formerを導入する。
- 参考スコア（独自算出の注目度）: 11.543429175824905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video anomaly understanding (VAU) aims to generate language-level interpretations of anomalous events in long videos, requiring visual evidence that supports explanation beyond anomaly detection alone. Existing VAU pipelines commonly rely on anomaly-centric or predefined temporal sampling strategies, which efficiently emphasize suspicious moments but overlook contextual cues, object interactions, and temporally distributed evidence needed for reasoning. Motivated by recent progress in learnable temporal selection for long-video question answering, we revisit VAU temporal sampling as a downstream-aligned evidence selection problem. We introduce the semantic-conditioned Temporal Sampling Q-Former that learns to select temporal visual evidence through the VAU generation objective. Since generic VAU prompts provide weak video-specific guidance, we condition the sampler on CLIP-embedded object tags automatically extracted from the input video. These tags are used only for temporal evidence selection and are not appended to the LLM generation prompt, separating sampler conditioning from prompt augmentation. The proposed sampler operates in visual-token space, computes soft temporal selection weights from frame-level representations, and merges duplicated selections before response generation. Experiments on HIVAU-70K show that our model achieves the best performance among the compared fine-tuned models, while ablations demonstrate that learnable temporal sampling improves over fixed anomaly-focused sampling and that CLIP-embedded object-tag conditioning further improves over generic-prompt conditioning. Our results suggest that temporal sampling in VAU should be aligned with explanation-oriented evidence utility rather than anomaly saliency alone.
- Abstract（参考訳）: ビデオ異常理解(VAU)は、長いビデオで異常事象の言語レベルでの解釈を生成することを目的としており、異常検出以外の説明を支援する視覚的証拠を必要とする。
既存のVAUパイプラインは、通常、異常中心または事前定義された時間的サンプリング戦略に依存しており、疑わしい瞬間を効果的に強調するが、文脈的手がかり、オブジェクトの相互作用、そして推論に必要な時間的分散の証拠を無視する。
長ビデオ質問応答における学習可能な時間選択の最近の進歩により、我々はVAU時間サンプリングを下流に整列した証拠選択問題として再考した。
VAU生成の目的を通じて時間的視覚的証拠を選択することを学習する意味条件付きテンポラルサンプリングQ-Formerを導入する。
ジェネリックVAUプロンプトはビデオ固有のガイダンスが弱いので、CLIP埋め込みオブジェクトタグのサンプルを入力ビデオから自動的に抽出する。
これらのタグは時間的エビデンス選択にのみ使用され、LLM生成プロンプトに付加されず、プロンプト増強からサンプル条件を分離する。
提案するサンプルは,視覚的な空間で動作し,フレームレベルの表現からソフトな時間的選択重みを計算し,応答生成前に重複選択をマージする。
HIVAU-70Kを用いた実験により,本モデルで比較した微調整モデルで最高の性能を示した。一方,学習可能な時間的サンプリングは固定された異常焦点サンプリングよりも改善し,CLIPを組み込んだオブジェクトタグ条件付けは汎用的なプロンプト条件よりもさらに改善することを示した。
この結果から,VAUにおける時間的サンプリングは,異常なサリエンシのみではなく,説明指向のエビデンスに整合することが示唆された。
関連論文リスト
- When to Retrieve, When to Stay: Uncertainty-Aware Temporal Evidence Allocation for Streaming Video-LLMs [55.016033209274376]
WRWS(When to Retrieve, When to Stay)は、不確実性適応型エビデンスアロケーションのためのトレーニング不要のフレームワークである。
WRWSは、関連手段が信頼性が高い場合に意味検索を好んでおり、不確実性の下での精度を高める。
我々の効率評価において、WRWSは、平均視覚から回答までの時間を、最先端手法の47.93%に削減する。
論文 参考訳（メタデータ） (2026-09-29T12:13:56Z) - 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) - TD-VAD: Breaking Visual Dependence in Video Anomaly Detection with Text-Driven Learning [41.454560079801574]
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。
論文 参考訳（メタデータ） (2026-08-12T09:03:42Z) - 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) - TEn-CATG:Text-Enriched Audio-Visual Video Parsing with Multi-Scale Category-Aware Temporal Graph [28.536724593429398]
TEn-CATGは、セマンティックキャリブレーションとカテゴリー対応の時間的推論を組み合わせたテキスト強化AVVPフレームワークである。
弱教師付きAVVPタスクにおいて,TEn-CATGは複雑な時間的および意味的依存関係を捕捉する堅牢性と優れた能力を実現する。
論文 参考訳（メタデータ） (2025-09-04T10:32:40Z) - Context-aware TFL: A Universal Context-aware Contrastive Learning Framework for Temporal Forgery Localization [60.73623588349311]
本研究では,時間的フォージェリーローカライゼーションのための共通文脈対応コントラスト学習フレームワーク (UniCaCLF) を提案する。
提案手法は教師付きコントラスト学習を利用して,異常検出による偽造瞬間の検出と同定を行う。
実物と偽物との間における特徴の識別可能性の限界をさらに押し上げるために、効率的な文脈対応コントラスト符号化を導入する。
論文 参考訳（メタデータ） (2025-06-10T06:40:43Z) - 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) - 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) - CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。
既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。
本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-18T04:45:56Z)
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。