Hybrid Video Anomaly Detection for Anomalous Scenarios in Autonomous Driving

在自动驾驶领域，最具挑战性的场景是只能在时间上下文中检测到的场景。大多数视频异常检测方法要么专注于监控，要么专注于交通事故，而这只是自动驾驶的一个子领域。在这项工作中，我们提出了HF$^2$-VAD$_{AD}$，这是HF$^2$-VAD监控视频异常检测方法在自动驾驶中的一个变体。我们从车辆自我视角学习正常行驶的表征，并在罕见和关键场景中评估像素级别的异常检测。

本论文旨在解决自动驾驶中的视频异常检测问题，尤其是针对那些只能在时间上下文中检测到的场景。

HF$^2$-VAD$_{AD}$是一种基于车辆自我视角学习正常行驶模式的视频异常检测方法，通过对罕见和关键场景进行像素级别的异常检测。

论文提出了HF$^2$-VAD$_{AD}$方法，针对自动驾驶场景进行视频异常检测；实验使用了大量数据集进行验证，证明了该方法的有效性；论文提供了开源代码。

在相关研究中，有一些关于视频异常检测的研究，如：Anomaly Detection in Video Sequence with Appearance-Motion Correspondence，Video Anomaly Detection Based on Spatiotemporal Autoencoder，A Survey of Deep Learning-Based Anomaly Detection in Videos等。