GlanceVAD: Exploring Glance Supervision for Label-efficient Video Anomaly Detection

近年来，视频异常检测在无监督和弱监督设置下得到了广泛研究，以减轻昂贵的时间标注成本。尽管取得了显著进展，但这些方法仍然存在不令人满意的结果，如大量误报，主要是由于缺乏精确的时间异常标注。本文提出了一种新的标注范式，称为“瞥一眼标注”，以实现更好的平衡异常检测准确性和标注成本。具体而言，瞥一眼标注是每个异常事件中的一个随机帧，可轻松访问且成本效益高。为了评估其有效性，我们手动为两个标准视频异常检测数据集（UCF-Crime和XD-Violence）注释了瞥一眼标注。此外，我们提出了一种定制的GlanceVAD方法，利用高斯核作为基本单元来组成时间异常分布，从瞥一眼标注中学习多样化和强健的异常表示。通过全面的分析和实验，我们验证了所提出的标注范式可以在标注成本和模型性能之间实现良好的平衡。广泛的实验结果还证明了我们的GlanceVAD方法的有效性，显著优于现有的先进无监督和弱监督方法。代码和注释将在https://github.com/pipixin321/GlanceVAD上公开。

论文试图通过提出一种新的标注范式“glance annotation”，来解决视频异常检测中标注成本高、误报率高等问题。

论文提出了一种新的标注范式“glance annotation”，即在每个异常事件中随机选取一帧作为标注，以实现标注成本与模型性能之间的平衡。同时，论文还提出了一种基于高斯核的方法“GlanceVAD”，用于从“glance annotation”中学习多样化和鲁棒性的异常表示。

论文的亮点包括：提出了一种新的标注范式“glance annotation”，能够在标注成本与模型性能之间实现平衡；提出了一种基于高斯核的方法“GlanceVAD”，能够从“glance annotation”中学习多样化和鲁棒性的异常表示；在两个标准视频异常检测数据集上进行了实验，并且开放了代码和标注数据。

在视频异常检测领域中，已经有很多关于无监督和弱监督方法的研究。例如，AutoEncoder、GAN、VAE等无监督方法，以及Weakly supervised anomaly detection、Semi-supervised learning等弱监督方法。