研究人员开发了一个名为EVAD的新型多模态视频异常检测框架，该框架结合了传统视频流和仿生事件相机的数据。该方法旨在通过利用事件传感器的 ao 高时间分辨率和运动显著性，提高在照明变化和快速运动等挑战性条件下的检测准确性。为了支持这项研究，创建了一个名为 TJUTCM Pha 的大规模基准数据集，其中包含数十亿个事件和数十万个视频帧。EVAD框架包括一种用于学习事件表示的对比式多模态预训练方法和一个用于整合事件和视频数据的自适应融合模块，在现有基准和新数据集上均表现出卓越的性能。 AI
影响 这项研究通过提高视频异常检测能力，可能带来更强大、更准确的监控系统。
排序理由 该集群描述了在arXiv上发布的新基准数据集和算法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.09114v1 Announce Type: cross Abstract: Video anomaly detection (VAD) is critical for automated surveillance but remains fragile under challenging conditions such as illumination variations, fast motion, and complex backgrounds when relying solely on visible light video…
Video anomaly detection (VAD) is critical for automated surveillance but remains fragile under challenging conditions such as illumination variations, fast motion, and complex backgrounds when relying solely on visible light videos. To address these limitations, we propose EVAD, …