論文の概要: Anomaly-Guided Observation and Two-Level Semantic Feedback for Training-Free Video Anomaly Analysis
- arxiv url: http://arxiv.org/abs/2610.16324v1
- Date: Mon, 12 Oct 2026 07:43:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 06:27:28.620718
- Title: Anomaly-Guided Observation and Two-Level Semantic Feedback for Training-Free Video Anomaly Analysis
- Title（参考訳）: トレーニングフリービデオ異常解析のための異常誘導観察と2レベルセマンティックフィードバック
- Abstract要約: トレーニング不要な言語に基づくビデオ異常検出(VAD)は、フリーズビジョン言語モデル(VLM)と大型言語モデル(LLM)を使用して、タスク固有のモデル重み付け最適化なしで異常事象をローカライズする。
本稿では,VAU(VAD-guided Active Observation)を用いたトレーニングフリーなセマンティックフィードバックフレームワークを提案する。
- 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: Training-free language-based video anomaly detection (VAD) uses frozen vision--language models (VLMs) and large language models (LLMs) to localize abnormal events without task-specific model-weight optimization. Existing approaches increasingly exploit broader temporal and semantic context, yet generic context does not necessarily foreground abnormal events or specify how video-level semantics should modify local anomaly scores. We introduce a training-free semantic feedback framework that uses VAD-guided active observation for video anomaly understanding (VAU) and returns the resulting anomaly-focused description to refine temporal detection. Starting from an upstream anomaly-score curve, we adapt reasoning-based iterative frame selection: high-score regions seed the observations, and anomaly scores together with VLM relevance assessments guide subsequent temporal exploration. A frozen video-language model generates a single open-ended anomaly description from the selected frames. The description is returned through two complementary feedback levels: video-level feedback determines whether the score distribution should be suppressed, preserved, or sharpened, with selective visual rechecking, while local feedback retrieves event-related windows and promotes scores only after target-local visual verification. All model weights remain frozen, and feedback is applied once without regenerating the description. On the HIVAU video-summary evaluations of UCF-Crime and XD-Violence, VAD-guided observation improves GPT-rated reasonability, detail, and consistency over the matched CLIP-guided variant. For VAD, semantic feedback improves the re-evaluated upstream detector from 84.36% to 86.25% AUC on UCF-Crime and from 68.07% to 72.58% AP on XD-Violence, where the final AUC is 91.74%.
- Abstract（参考訳）: トレーニング不要な言語に基づくビデオ異常検出(VAD)は、フリーズビジョン言語モデル(VLM)と大型言語モデル(LLM)を使用して、タスク固有のモデル重み付け最適化なしで異常事象をローカライズする。
既存のアプローチはより広範に時間的・意味的な文脈を利用する傾向にあるが、一般的な文脈は必ずしも異常事象を予見したり、ビデオレベルの意味論が局所的な異常スコアをどう修正すべきかを規定したりしない。
本稿では,VAU(VAD-guided Active Observation)を用いたトレーニングフリーなセマンティックフィードバックフレームワークを提案する。
上流の異常スコア曲線から始めると、高スコア領域は観測結果をシードし、異常スコアはVLM関連評価とともに時間的探索を導く。
凍結したビデオ言語モデルは、選択したフレームから単一のオープンエンドの異常記述を生成する。
この説明は2つの相補的なフィードバックレベルを通して返される: ビデオレベルのフィードバックは、選択的な視覚的再検査によってスコア分布を抑えるか、保存するか、あるいは鋭くするかを決定する。
すべてのモデルウェイトは凍結状態のままであり、説明を再生せずに一度フィードバックが適用される。
UCF-CrimeとXD-ViolenceのHIVAUビデオサマリー評価では、VAD誘導観察により、一致したCLIP誘導変異体に対するGPT分類の推論性、詳細、一貫性が向上する。
VADでは、再評価された上流検出器は、UCF-Crimeでは84.36%から86.25%に改善され、XD-Violenceでは68.07%から72.58%に改善され、最終的なAUCは91.74%となった。
関連論文リスト
- Learning Temporal Evidence Selection for Video Anomaly Understanding [11.543429175824905]
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。
論文 参考訳（メタデータ） (2026-10-12T07:26:31Z) - 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) - Probe-VAD: Ordinal Likelihood Probing for Training-Free Video Anomaly Detection [34.268676888953046]
ビデオ異常検出(VAD)は、未トリミングビデオ中の異常事象をローカライズすることを目的としている。
既存のアプローチでは、視覚的理解と異常スコアリングの間に制限的なインターフェースが課されている。
凍結したVLMから重度の好みを直接探索する順序付きバイナリ・プロブリング・フレームワークである textbfProbe-VAD を提案する。
論文 参考訳（メタデータ） (2026-09-15T13:59:47Z) - Reward-Guided Semantic Evolution for Test-time Adaptive Object Detection [82.2968697030677]
Grounding DINOのような視覚言語モデル(VLM)を用いたオープン語彙オブジェクト検出は、テスト時間分布シフト時の性能劣化に悩まされる。
Reward-Guided Semantic Evolution (RGSE) は、テスト時にテキストの埋め込みを直接洗練するトレーニング不要のフレームワークである。
論文 参考訳（メタデータ） (2026-05-06T06:17:41Z) - Weakly Supervised Video Anomaly Detection with Anomaly-Connected Components and Intention Reasoning [23.043341269626016]
本稿では,WS-VAD のための Anomaly Semantics を学習するための LAS-VAD という新しいフレームワークを提案する。
本フレームワークは,異常接続されたコンポーネント機構と意図認識機構を統合している。
最先端の手法よりも優れており、顕著な利得がある。
論文 参考訳（メタデータ） (2026-02-28T08:57:33Z) - 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) - Learn Suspected Anomalies from Event Prompts for Video Anomaly Detection [16.77262005540559]
イベントプロンプトから疑わしい異常の学習を導くための新しい枠組みが提案されている。
これにより、新しいマルチプロンプト学習プロセスにより、すべてのビデオの視覚的セマンティックな特徴を制限できる。
提案手法はAPやAUCといった最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2024-03-02T10:42:47Z) - BatchNorm-based Weakly Supervised Video Anomaly Detection [117.11382325721016]
弱教師付きビデオ異常検出では、異常事象の時間的特徴は、しばしば異常な特性を示す。
本稿では,BatchNormをWVADに組み込んだBN-WVADを提案する。
提案したBN-WVADモデルでは、UCF-CrimeのAUCは87.24%、XD-Violenceは84.93%に達する。
論文 参考訳（メタデータ） (2023-11-26T17:47:57Z) - Localizing Anomalies from Weakly-Labeled Videos [45.58643708315132]
Weakly Supervised Anomaly Localization (WSAL)法を提案する。
異常映像の出現差にインスパイアされ, 隣接する時間領域の進化を異常映像の局所化のために評価した。
提案手法は,UCF-CrimeおよびTAD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） (2020-08-20T12:58:03Z)
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。