論文の概要: Guided Zero-Shot Anomaly Explanation for Anonymized Crowd Video Monitoring: Context, Categorization, and Spatial Localization

• arxiv url: http://arxiv.org/abs/2610.32073v1
• Date: Fri, 23 Oct 2026 02:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.326695
• Title: Guided Zero-Shot Anomaly Explanation for Anonymized Crowd Video Monitoring: Context, Categorization, and Spatial Localization
• Title（参考訳）: 匿名ビデオ監視のためのガイド付きゼロショット異常説明法:文脈,分類,空間的位置決め
• Abstract要約: 我々は、匿名化ビデオ異常検出(VAD)のための統一記述型XAIであるXAVADアプローチを提案する。 プライバシ保護のための全身視覚匿名化と統合された多面的説明の実証的・定性的な評価を行う。 我々の実験は、最先端のベンチマークアプローチに対するXAVADの大幅な向上を示し、VADのためのXAIにおけるプライバシー保護トレードオフに関する洞察を提供する。
• 参考スコア（独自算出の注目度）: 4.619680029000525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the promising development of deep learning for video anomaly detection (VAD), explainability (XAI) of these models remains a challenge. Explainable and privacy-protecting VAD builds transparency and trust that facilitates adoption of computer vision systems, including safety and security monitoring. However, anomaly explainability in privacy-preserving VAD systems is underexplored. In this study, we present the XAVAD approach, a unified descriptive anomaly XAI for an anonymized VAD, that integrates flexible zero-shot anonymization, anomaly type categorization, visual localization, and scene context description. We provide empirical and qualitative assessments of multifaceted explanations integrated with full-body visual anonymization for privacy protection. We adopt a multimodal CLIP embedding for videos, using improved LLM-assisted prompting and pool-scoring mechanisms for anomaly-type identification. We enhance Grad-ECLIP for spatial anomaly heatmap localization, leveraging computation and accuracy through our novel prompt-guided patching autofocus mechanism. We employ VLMs to generate context and reasoning descriptions of detected anomalies through curated prompt engineering. We have evaluated the accuracy and computational cost of XAVAD on several publicly available CCTV and video datasets. Our experiments demonstrate substantial gains of our XAVAD over state-of-the-art benchmark approaches and provide insights into privacy protection trade-offs in XAI for VAD. We further present ablation studies and assessments across diverse configurations and modeling alternatives to demonstrate the efficacy of our proposed methods. Code: https://github.com/muleina/XAVAD}{https://github.com/muleina/XAVAD .
• Abstract（参考訳）: ビデオ異常検出のためのディープラーニング(VAD)の開発が期待されているにもかかわらず、これらのモデルの説明可能性(XAI)は依然として課題である。 説明可能なプライバシ保護のVADは、安全性とセキュリティ監視を含むコンピュータビジョンシステムの採用を促進する透明性と信頼を構築する。 しかし、プライバシーを保護しているVADシステムの異常説明性は未定である。 本研究では,匿名化VADのための統一記述型XAIであるXAVADアプローチを提案する。 プライバシ保護のための全身視覚匿名化と統合された多面的説明の実証的・定性的な評価を行う。 ビデオにマルチモーダルCLIP埋め込みを導入し、LCM支援プロンプトとプールスコーリング機構を改良し、異常型識別を実現した。 我々は空間異常なヒートマップの局所化のためのGrad-ECLIPを強化し、新しいプロンプト誘導型パッチオートフォーカス機構による計算と精度を活用している。 我々はVLMを用いて、検出された異常の文脈と推論記述を、キュレートされたプロンプトエンジニアリングにより生成する。 我々は,XAVADの精度と計算コストを,いくつかの公開CCTVおよびビデオデータセット上で評価した。 我々の実験は、最先端のベンチマークアプローチに対するXAVADの大幅な向上を示し、VADのためのXAIにおけるプライバシー保護トレードオフに関する洞察を提供する。 さらに,提案手法の有効性を実証するために,多様な構成およびモデリング代替案を対象としたアブレーション研究と評価について述べる。 コード:https://github.com/muleina/XAVAD}{https://github.com/muleina/XAVAD

関連論文リスト

• Temporal Modeling of Optically Variable Devices in Identity Documents [2.8297572190956917]
  保持者の肖像画を保護する透明なOVDの動的挙動を検証するための2つの新しい手法を提案する。 自己教師型設定で攻撃サンプルを使わずにこれらのアプローチを訓練できることを実証する。 現実的な条件下での高度な攻撃を打倒するためには,時間力学のモデリングが不可欠であることが確認された。
  論文  参考訳（メタデータ） (2026-07-07T15:37:53Z)
• Privacy-Aware Video Anomaly Detection through Orthogonal Subspace Projection [14.631956899935721]
  ビデオ異常検出(VAD)システムは、プライバシの懸念を乗り越えながら精度を優先し、現実のデプロイメントに対する適合性を制限していることが多い。 本稿では,タスク非関連な変化を除去し,異常関連キューに着目した表現を生成する軽量モジュールであるOrthogonal Projection Layer (OPL)を提案する。 人物中心のシナリオにおけるプライバシーリスクに対処するために,ポーズや動きなどの識別不能な特徴を保ちながら,顔提示信号からの弱い監視を用いて顔属性を抑えるガイドOPL(G-OPL)を導入する。
  論文  参考訳（メタデータ） (2026-05-09T03:46:39Z)
• Privacy Beyond Pixels: Latent Anonymization for Privacy-Preserving Video Understanding [56.369026347458835]
  本稿では,ビデオ基盤モデルにおける視覚的プライバシ保護の新たな定式化について紹介する。 入力ピクセルレベルの匿名化に関する現在のプライバシー保護手法では、ユーティリティビデオモデル全体を再トレーニングする必要がある。 軽量な Anonym Adapter Module (AAM) は、一般的なタスクユーティリティを維持しながら、ビデオ機能からプライベート情報を除去する。
  論文  参考訳（メタデータ） (2025-11-11T18:56:27Z)
• 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)
• AVadCLIP: Audio-Visual Collaboration for Robust Video Anomaly Detection [57.649223695021114]
  本稿では,ロバストなビデオ異常検出に音声と視覚の協調を利用する,弱教師付きフレームワークを提案する。 本フレームワークは,複数のベンチマークにおいて優れた性能を示し,オーディオ統合により異常検出精度が大幅に向上する。
  論文  参考訳（メタデータ） (2025-04-06T13:59:16Z)
• AssistPDA: An Online Video Surveillance Assistant for Video Anomaly Prediction, Detection, and Analysis [52.261173507177396]
  AssistPDAは,Anomaly Prediction, Detection and Analysis (VAPDA) を単一のフレームワークに統合した,初のオンラインビデオ異常監視アシスタントである。 AssistPDAは、インタラクティブなユーザエンゲージメントをサポートしながら、ストリーミングビデオのリアルタイム推論を可能にする。 また,新しい事象レベルの異常予測タスクを導入し,異常が完全に展開される前に前向きな異常予測を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T18:30:47Z)
• Privacy-Preserving Video Anomaly Detection: A Survey [14.867137878046536]
  Video Anomaly Detection (VAD)は、オープンスペースから収集された監視ビデオのパターンを自動的に分析し、異常な事象を検知することを目的としている。 近年、研究者は様々な観点から体系的な研究を行うことにより、VADのプライバシーに関する懸念に焦点を当てている。 本稿は、P2VADの進捗状況を体系的にレビューし、その範囲を定義し、直感的な分類法を提供する最初の論文である。
  論文  参考訳（メタデータ） (2024-11-21T20:29:59Z)
• TeD-SPAD: Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection [59.04634695294402]
  人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。 VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。 本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
  論文  参考訳（メタデータ） (2023-08-21T22:42:55Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)

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。