相关实验视频
Updated: Jan 9, 2026
13:51
Cross-Modal Multivariate Pattern Analysis
Published on: November 9, 2011
20.4K
在交叉模式弱监督下用于可解释视频异常检测的语义对齐模型
Weishan Gao1, Jiangang Wang2, Ye Wang3
1China Aerospace Academy of Systems Science and Engineering; Aerospace Hongka Intelligent Technology (Beijing) Co., Ltd.; gaowsh518@163.com.
Journal of visualized experiments : JoVE
|December 1, 2025
概括
本研究引入了一种新的特征建模方法,用于弱监督的视频异常检测,通过使用结构化知识和语义指导来增强可解释性. 该方法在检测和分类异常方面实现了高精度,提供了比简单的二进制检测更详细的分析.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 弱监督的视频异常检测使用视频级标签来识别事件.
- 传统的多实例学习 (MIL) 方法提供有限的细粒度异常分类,缺乏可解释性.
- 现有的方法往往专注于最异常的部分,阻碍了详细的分析.
研究的目的:
- 利用结构化知识开发一种可解释的弱监督视频异常检测方法.
- 为了加强细粒度异常类别之间的区分.
- 超越二进制分类,向语义驱动的异常分析框架迈进.
主要方法:
- 建议采用结合结构化知识的特征建模方法.
- 一个动态的语义指导机制将外部类别级信息与可学习提示相结合.
- 语义信号被生成并与视觉证据对齐,用于异常检测和描述.
主要成果:
- 在UCF-Crime数据集上获得了88.03%的AUC,在上海科技数据集上获得了98.23%的AUC.
- 在细粒度异常分类中达到87.05%的准确性.
- 为可解释的异常分析生成语义解释.
结论:
- 提出的方法成功地解决了视频异常检测中传统MIL方法的局限性.
- 结构化知识和语义指导的整合使得更易于解释和细粒度的异常分析.
- 该框架将弱监督的检测推向以语义为导向的解释性分析.
