揭示与上下文相关的异常：知识图谱赋能的人类相关视频异常检测的场景与动作解耦
内容提要
本文介绍了Street Scene数据集在视频异常检测中的应用，提出了多种新方法和基准算法，显著提升了检测准确性。研究涉及动态骨架特征、基于姿态图的检测、元学习和深度神经网络等技术，展示了在多个数据集上的优越性能，推动了异常检测领域的发展。
延伸解读
从外观到姿态：技术路线的演进
文章梳理了2019年至2024年视频异常检测的技术发展，早期方法依赖动态骨架特征和姿态图，随后引入元学习、深度神经网络和归一化流。2023年后，研究转向利用预训练模型引导和频域转换，以应对数据不稳定和场景关联问题。这一演进显示领域从单纯外观分析转向多模态和自监督学习。
数据集与基准的推动作用
Street Scene和UBnormal等数据集的提出为视频异常检测提供了更丰富的评估场景。Street Scene强调多样性和新评估标准，UBnormal则引入像素级标注和开集设定，允许完全监督学习。这些基准不仅促进了算法比较，还推动了从封闭集向开放集问题的转变，使研究更贴近现实应用。
性能提升与可解释性并重
文章提到的方法在多个数据集上取得了优越性能，如PoseWatch在上海科技和UBnormal上分别达到86.9%和73.5%的AUC。同时，动态骨架特征和姿态图方法提供了可解释性，有助于理解异常检测的决策依据。这表明领域不仅追求精度，也开始关注模型透明度和实际部署的可行性。
挑战与未来方向
人类相关视频异常检测仍面临异常事件不确定性和频率低的挑战。文章指出，基于姿势的方法存在困难，需要定量化分析。未来研究可能聚焦于结合上下文、减少对大量标注数据的依赖，以及提升在实时场景中的鲁棒性。频域转换和归一化流等尝试为应对数据抖动提供了新思路。
Q&A
Street Scene数据集的主要目的是什么？
Street Scene数据集旨在推动视频异常检测研究的进展。
本文提出了哪些新方法来提升异常检测的准确性？
提出了使用动态骨架特征和基于人体姿态图的新型异常检测方法，以及基于深度神经网络和元学习的方法。
如何利用动态骨架特征进行异常检测？
动态骨架特征通过将骨架运动分解为全局身体运动和局部身体姿势来建模人类运动规律，从而精确识别异常事件。
元学习方法在视频异常检测中有什么优势？
元学习方法可以通过少量帧数的数据检测以前未见过的场景中的异常行为，具有实时应用潜力。
UBnormal基准测试的特点是什么？
UBnormal基准测试允许完全有监督学习方法用于异常事件检测，并提供像素级异常事件标注。
PoseWatch架构如何提升异常行为检测能力？
PoseWatch架构结合时空姿态和相对姿态标记方法，显著提升了异常行为检测的能力。
