Collaborative Learning of Anomalies with Privacy (CLAP) for Unsupervised Video Anomaly Detection: A New Baseline

最近，由于无监督（US）视频异常检测（VAD）在监控应用中的实际应用，该技术变得越来越受欢迎。由于监控视频具有隐私敏感性，并且大规模视频数据的可用性可能会使US-VAD系统更加完善，因此在这种情况下，协作学习可以高度奖励。然而，由于US-VAD任务的极度挑战性，学习是在没有任何注释的情况下进行的，因此隐私保护的US-VAD系统的协作学习尚未得到研究。本文提出了一种新的基准线，能够在复杂的监控视频中以完全无监督的方式定位异常事件，而不需要任何标签，并采用基于参与者的隐私保护分布式培训配置。此外，我们提出了三个新的评估协议，以在各种协作和数据可用性的情况下对异常检测方法进行基准测试。基于这些协议，我们修改了现有的VAD数据集，以广泛评估我们的方法以及现有的US SOTA方法，包括UCF-Crime和XD-Violence两个大规模数据集。所有提出的评估协议，数据集拆分和代码均可在此处获取：https://github.com/AnasEmad11/CLAP。

本文旨在解决无监督视频异常检测在隐私保护的情况下的协作学习问题。由于无监督学习任务的极度挑战性，因此需要在不使用任何注释的情况下进行学习。

本文提出了一种新的基线方法，可以在复杂的监控视频中完全无监督地定位异常事件，而无需任何标签，并且采用基于参与者的分布式训练配置来保护隐私。

本文提出了三个新的评估协议来评估各种协作和数据可用性方案的异常检测方法，并修改了现有的VAD数据集以广泛评估我们的方法以及现有的最先进的无监督学习方法。作者公开了评估协议，数据集划分和代码，可供其他研究者使用。本文使用了UCF-Crime和XD-Violence两个大型数据集进行实验。

在最近的研究中，也有一些关于无监督视频异常检测的相关研究，如：“Unsupervised Anomaly Detection in Surveillance Videos Using Deep Temporal Residual Networks”和“Anomaly Detection in Video Sequence with Appearance-Motion Correspondence”等。