論文の概要: MS2CAST: A Video Anomaly Detection Framework via Multi-Scale Spatial Cross-Attention and Efficient Spatiotemporal Networks

• arxiv url: http://arxiv.org/abs/2610.29649v1
• Date: Wed, 21 Oct 2026 12:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.250116
• Title: MS2CAST: A Video Anomaly Detection Framework via Multi-Scale Spatial Cross-Attention and Efficient Spatiotemporal Networks
• Title（参考訳）: MS2CAST:マルチスケール空間的クロスアテンションと高効率時空間ネットワークによるビデオ異常検出フレームワーク
• Abstract要約: ビデオ異常検出(VAD)は異常事象の欠如と多様性のために監視システムにとって困難な課題である。 エンド・ツー・エンドの半教師付きVADフレームワークであるMS2CASTを紹介する。 空間符号化には、視覚変換器(MViTv2-S)とCNN(ConvNeXt-T)から階層的特徴表現を融合したマルチスケールのクロスアテンションエンコーダを用いる。 我々の目的関数は、L1損失、グラディエント差分損失(GDL)、マルチスケール構造類似度指標(MS-SSIM)を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 3.8363286802319965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video anomaly detection (VAD) is a challenging task for surveillance systems due to the scarcity and diversity of anomalous events. While semi-supervised VAD approaches have advanced the field, many rely on computationally intensive optical flow networks to capture motion dynamics. Convolutional neural networks (CNNs) are also widely used for spatial encoding, but their effective receptive field is highly local. To address these limitations, we introduce MS2CAST, an end-to-end semi-supervised predictive VAD framework. For spatial encoding, we employ a multi-scale cross-attention encoder that fuses the hierarchical feature representations from a vision transformer (MViTv2-S) and a CNN (ConvNeXt-T) to exploit their distinct receptive fields. To model spatiotemporal dynamics without optical flow estimation, we integrate two interchangeable spatiotemporal modules in the latent space. One module (SwinLSTM) incorporates a Swin Transformer, while the other (VMRNN) integrates Vision Mamba blocks. Our objective function combines L1 loss, Gradient Difference Loss (GDL), and Multi-Scale Structural Similarity Index Measure (MS-SSIM) to ensure pixel-wise accuracy, sharpness, and structural integrity. Evaluations across the UCSD Ped2, CUHK Avenue, and ShanghaiTech datasets demonstrate frame-level Receiver Operating Characteristic (ROC) Area Under the Curve (AUC) scores that are competitive with top-tier techniques while maintaining a peak GPU memory usage of under 1 GB.
• Abstract（参考訳）: ビデオ異常検出(VAD)は異常事象の欠如と多様性のために監視システムにとって困難な課題である。 半教師付きVADアプローチは分野を進歩させてきたが、多くは運動力学を捉えるために計算集約的な光フローネットワークに依存している。 畳み込みニューラルネットワーク(CNN)は空間符号化にも広く用いられているが、その効果的な受容野は極めて局所的である。 これらの制約に対処するため、エンド・ツー・エンドの半教師付き予測VADフレームワークであるMS2CASTを導入する。 空間符号化には、視覚変換器(MViTv2-S)とCNN(ConvNeXt-T)から階層的特徴表現を融合したマルチスケールのクロスアテンションエンコーダを用いる。 光フロー推定を行なわない時空間力学をモデル化するために、潜時空間に2つの交換可能な時空間加群を統合する。 1つのモジュール(SwinLSTM)はSwin Transformerを、もう1つのモジュール(VMRNN)はVision Mambaブロックを統合する。 我々の目的関数は、L1損失、グラディエント差分損失(GDL)、マルチスケール構造類似度指数測定(MS-SSIM)を組み合わせて、画素の精度、シャープさ、構造整合性を保証する。 UCSD Ped2、CUHK Avenue、およびShanghaiTechのデータセットによる評価は、1GB以下のピークGPUメモリ使用率を維持しながら、最上位のテクニックと競合するフレームレベルの受信者動作特性(ROC)エリア(AUC)スコアを示している。

関連論文リスト

• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• GRAD-Former: Gated Robust Attention-based Differential Transformer for Change Detection [0.7865560760233441]
  リモートセンシングにおける変化検出(CD)は、異なるタイミングで撮影された衛星画像間の意味的差異を特定することを目的としている。 従来の変換器ベースの手法は、超高解像度(VHR)衛星画像に適用する場合、二次計算の複雑さに悩まされる。 GRAD-Formerは、モデルサイズを小さくすることで効率を保ちながら文脈理解を高める新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-03-01T15:56:42Z)
• SC-Net: Robust Correspondence Learning via Spatial and Cross-Channel Context [19.20797236825297]
  最近の研究は、共用学習のバックボーンとして畳み込みニューラルネットワーク(CNN)の使用に焦点を当てている。 本研究では,空間的・チャネル的両面的な文脈を効果的に統合するSC-Netというネットワークを提案する。 実験では、SC-Netは相対的なポーズ推定と外乱除去タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-12-29T13:56:10Z)
• Semantics and Content Matter: Towards Multi-Prior Hierarchical Mamba for Image Deraining [95.00432497331583]
  画像デライニングのためのマルチPrior Hierarchical Mamba (MPHM) ネットワーク MPHMは、タスクレベルのセマンティックガイダンスのためのマクロセマンティックテキスト先行(CLIP)と、シーン認識構造情報のためのマイクロ構造視覚先行(DINOv2)を統合している。 実験ではMPHMの最先端のパフォーマンスを実証し、Rain200Hデータセットで0.57dBのPSNRゲインを達成した。
  論文  参考訳（メタデータ） (2025-11-17T08:08:59Z)
• Complementary and Contrastive Learning for Audio-Visual Segmentation [74.11434759171199]
  本稿では,ローカル情報とグローバル情報の両方を処理可能な新しいフレームワークであるComplementary and Contrastive Transformer(CCFormer)を提案する。 提案手法は,S4, MS3, AVSSデータセットにまたがる最先端のベンチマークを新たに設定する。
  論文  参考訳（メタデータ） (2025-10-11T06:36:59Z)
• MVNet: Hyperspectral Remote Sensing Image Classification Based on Hybrid Mamba-Transformer Vision Backbone Architecture [12.168520751389622]
  ハイパースペクトル画像(HSI)分類は、高次元データ、限られたトレーニングサンプル、スペクトル冗長性といった課題に直面している。 本稿では,3D-CNNの局所特徴抽出,Transformerのグローバルモデリング,Mambaの線形シーケンスモデリング機能を統合した新しいMVNetネットワークアーキテクチャを提案する。 IN、UP、KSCデータセットでは、MVNetは分類精度と計算効率の両方で主流のハイパースペクトル画像分類法より優れている。
  論文  参考訳（メタデータ） (2025-07-06T14:52:26Z)
• STNMamba: Mamba-based Spatial-Temporal Normality Learning for Video Anomaly Detection [48.997518615379995]
  ビデオ異常検出(VAD)は、インテリジェントなビデオシステムの可能性から広く研究されている。 CNNやトランスフォーマーをベースとした既存の手法の多くは、依然としてかなりの計算負荷に悩まされている。 空間的時間的正規性の学習を促進するために,STNMambaという軽量で効果的なネットワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T08:49:23Z)
• Dual Aggregation Transformer for Image Super-Resolution [92.41781921611646]
  画像SRのための新しいトランスモデルDual Aggregation Transformerを提案する。 DATは、ブロック間およびブロック内二重方式で、空間次元とチャネル次元にまたがる特徴を集約する。 我々のDATは現在の手法を超越している。
  論文  参考訳（メタデータ） (2023-08-07T07:39:39Z)
• Efficient Two-Stream Network for Violence Detection Using Separable Convolutional LSTM [0.0]
  Separable Convolutional LSTM(SepConvLSTM)と予め訓練されたMobileNetを活用した効率的な2ストリームディープラーニングアーキテクチャを提案する。 SepConvLSTMは、ConvLSTMの各ゲートの畳み込み操作を深さ方向に分離可能な畳み込みに置き換えて構築されます。 我々のモデルは、大きくて挑戦的なrwf-2000データセットの精度を2%以上上回っている。
  論文  参考訳（メタデータ） (2021-02-21T12:01:48Z)

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。