Evaluating the Effectiveness of Video Anomaly Detection in the Wild: Online Learning and Inference for Real-world Deployment

视频异常检测（VAD）是一种识别视频流中异常活动的关键技术，具有广泛的应用，从监控到医疗。在真实环境中处理VAD面临着重大挑战，由于人类行为的动态性、环境变化和领域转移。许多研究倡议忽略了这些复杂性，通常集中于传统的测试方法，未能考虑在看不见的数据集上的表现，导致理论模型与实际效用之间存在差距。在线学习是缓解这个问题的一种潜在策略，它允许模型不断地适应新信息。本文通过在线学习框架评估了当前VAD算法在真实环境中的适应能力，特别是基于姿势分析的算法，以评估其效率和隐私优势。我们提出的框架通过从新环境中的流数据进行连续模型更新，从而反映了实际世界的挑战，并评估了模型在保持准确性的同时实时适应的能力。我们在此设置中研究了三种最先进的模型，重点关注它们在不同领域中的适应性。我们的研究结果表明，即使在最具挑战性的条件下，我们的在线学习方法也可以使模型在特定目标领域中保持89.39%的原始效果，与其离线训练的对应模型相比。

本论文旨在通过在线学习框架评估当前的视频异常检测算法在真实环境下的适应性，特别是基于姿势分析的算法，以解决人类行为、环境变化和领域转移等问题。

论文提出了一种在线学习框架，可以通过流数据进行连续模型更新，以反映实际世界的挑战，并评估模型在保持准确性的同时适应实时的能力。通过研究三种最先进的模型，重点关注它们在不同领域的适应性。

论文的实验设计非常值得关注，使用了多个数据集，并开源了代码。研究表明，即使在最具挑战性的条件下，论文提出的在线学习方法仍然可以使模型在特定目标领域中保持89.39%的原始效果。

最近的相关研究包括：1. Z. Wu等人的《视频异常检测：一个综述》；2. S. Lu等人的《基于深度学习的视频异常检测：一个综述》；3. L. Ding等人的《基于深度学习的视频异常检测：一个综述和实验比较》。