协作学习的隐私异常检测 (CLAP)：一种新的无监督视频异常检测基准
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
本文介绍了多种视频异常检测方法，包括基于生成合作学习的无监督检测、隐私感知框架TeD-SPAD、伪标签生成框架，以及结合大语言模型的LAVAD方法。这些方法在多个数据集上表现出色，提高了异常检测的准确性和效率，并平衡了标注成本与性能。此外，研究还提出了新的数据集NWPU Campus和多种创新技术，推动了视频异常检测领域的发展。
❓
Q&A
什么是基于生成合作学习的无监督视频异常检测方法？
该方法通过生成器和判别器的交叉监督实现协同训练，利用异常出现频率低的特点进行无监督学习。
TeD-SPAD框架如何实现隐私保护与异常检测性能的平衡？
TeD-SPAD通过自学习销毁视觉私人信息，确保隐私保护的同时维持异常检测的性能。
LAVAD方法的主要创新点是什么？
LAVAD结合大语言模型和视觉-语言模型，通过生成视频描述来进行异常检测，表现优于无监督和单类方法。
什么是“glance annotation”标注范式，它有什么优势？
“glance annotation”通过添加随机帧来平衡异常检测的准确性和标注成本，提升了标注效率。
NWPU Campus数据集的特点是什么？
NWPU Campus是一个新的综合数据集，用于同时检测和预测异常事件，具有最先进的性能。
VadCLIP方法的优势是什么？
VadCLIP利用对比式语言-图像预训练模型设计鲁棒的视频异常检测器，表现超越其他方法，无需预训练和微调。
🏷️
