Video Anomaly Detection in 10 Years: A Survey and Outlook

视频异常检测（VAD）在监控、医疗保健和环境监测等不同领域具有重要意义。虽然许多调查重点关注传统的VAD方法，但它们通常缺乏深入探讨特定方法和新兴趋势的深度。本调查探讨了基于深度学习的VAD，超越传统的监督式训练范式，包括新兴的弱监督、自监督和无监督方法。本次综述的一个显著特点是研究VAD范式中的核心挑战，包括大规模数据集、特征提取、学习方法、损失函数、正则化和异常分数预测。此外，本综述还研究了视觉语言模型（VLM），作为强大的VAD特征提取器。VLM将视频中的视觉数据与文本描述或口语相结合，使对场景的细致理解对于异常检测至关重要。通过解决这些挑战并提出未来的研究方向，本综述旨在促进利用VLM的能力增强复杂实际场景中异常检测的鲁棒性和效率的VAD系统的发展。这种全面分析旨在弥合现有的知识差距，为研究人员提供有价值的见解，并为VAD研究的未来做出贡献。

本论文探讨基于深度学习的视频异常检测方法，包括传统的监督式训练方法以及新兴的弱监督、自监督和无监督方法。同时探讨了视频异常检测中的核心挑战，如大规模数据集、特征提取、学习方法、损失函数、正则化和异常得分预测等方面。

论文提出使用视觉语言模型（VLMs）作为视频异常检测的特征提取器，将视频的视觉数据与文本描述或口语结合起来，以提高在复杂实际场景中的异常检测效果。

论文探讨了视频异常检测领域中的核心挑战和新兴方法，同时提出了使用VLMs作为特征提取器的新思路。实验使用了多个数据集进行测试，并对比了不同方法的表现，同时还提供了开源代码。在未来的研究方向上，论文建议进一步探索VLMs在视频异常检测中的应用，并研究如何解决在大规模数据集上训练的挑战。

最近的相关研究包括： 1. "A Survey of Video Anomaly Detection Techniques" by M. Medjahed, et al. 2. "Deep Learning for Anomaly Detection: A Survey" by S. Kiran, et al. 3. "Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications" by Y. Liu, et al.