CVPR18：无监督深度多实例学习在真实监控视频异常检测中的应用

在【CVPR-2018】Real-world Anomaly Detection in Surveillance Videos这篇论文中，作者们探讨了在现实监控视频中实现异常事件检测（Anomaly Detection）的问题。随着计算机视觉在安防领域的广泛应用，异常检测任务变得尤为重要，因为它能自动识别视频流中的不寻常行为，如入侵、事故或行为异常等。 论文的主要贡献者是来自UCF Center for Research in Computer Vision（CRCV）的研究团队，由Waqas Sultani、Chen Chen和Mubarak Shah共同完成。他们提出了一种新颖的弱监督学习方法，旨在解决异常事件检测中的一大挑战——在训练阶段缺乏对异常片段的标注。传统的异常检测通常需要人工标记异常片段，这耗时且成本高昂。通过深度多实例排序（Deep Multiple Instance Ranking, DMIR）框架，他们利用了正常视频和异常视频作为训练材料，但仅提供视频级别的标签（正常或异常），而非片段级别。 在他们的方法中，正常视频和异常视频被视为“bag”（一组实例），而视频片段则作为“instances”。DMIR框架允许模型自动学习一个深度的异常评分模型，该模型能够预测出异常视频片段的高异常得分。为了更精确地定位异常，他们在排名损失函数中引入了稀疏性和时间平滑性约束，这样在训练过程中可以更好地聚焦于异常行为的局部特征和动态模式。 这种方法的优势在于它减少了对大量精确标注数据的需求，提高了异常检测的效率和实用性，适用于实际监控环境中的实时或大规模视频处理。此外，论文还提出了一种新的大规模异常事件检测数据集，这对于后续的研究者来说是一个宝贵的资源，促进了异常检测技术的发展和评估。 这篇论文不仅提供了新的算法策略，而且为异常事件检测在实际监控视频中的应用设定了新的标准，展示了弱监督学习在这一领域的重要潜力。未来的研究可能会进一步探索如何提高模型的鲁棒性和泛化能力，以应对更复杂和多样化的异常情况。