arXiv cs.AI@Urvi Gianchandani, Praveen Tirupattur, Mubarak Shah精选45该论文提出一种弱监督方法,仅利用视频级标签(正常/异常)训练网络,无需帧级或像素级标注。通过多实例排序损失(MIL)将异常和正常视频片段分别视为正包和负包,提取特征并训练分类器,从而为时空区域生成异常分数。方法同时检测时间(片段级)和空间(帧内局部区域)异常,在UCF Crime2Local数据集上验证了有效性。这解决了视频异常标注成本高的问题,为实际监控场景提供了更实用的方案。论文弱监督学习异常检测时空检测多实例学习UCF Crime2Local推荐理由:做视频监控或异常检测的团队,不用逐帧标注就能定位异常区域,直接省下大量标注成本,值得关注。