Video Anomaly Detection With Probabilistic Modelling and Ensemble Learning on Deep Spatiotemporal Features
Notice bibliographique
Résumé
ABSTRACT Video surveillance systems are commonly employed to monitor activities and ensure the safety and security of various environments. Anomaly detection in these systems is challenging due to the rarity and high variability of abnormal events. Integrating anomaly detection enables the identification of atypical or suspicious activities. This paper proposes a novel approach for video anomaly detection based on ensemble learning in a weakly supervised setting. The method consists of a two‐stage framework. In the first stage, spatiotemporal features are extracted from video data using 3D deep networks, followed by a multi‐scale attention module to enhance feature representation. Anomalous events are then identified by analysing discrepancies in probabilistic distributions, incorporating multi‐instance learning with a novel term in the loss function. In the second stage, the detection process is refined through ensemble learning strategies to optimise overall performance. The effectiveness of the proposed framework is demonstrated through extensive experiments on five benchmark datasets: UCF‐Crime, XD‐Violence, ShanghaiTech, CUHK Avenue, and UCSD Ped2. The method achieves frame‐level AUC scores of 97.89% on ShanghaiTech, 95.97% on CUHK Avenue, 97.38% on UCSD Ped2, 94.02 on XD‐Violence, and 80.86% on UCF‐Crime, showing competitive performance and highlighting the potential of ensemble‐based weakly supervised methods for video anomaly detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».