UCF-Crime
PulseAugur coverage of UCF-Crime — every cluster mentioning UCF-Crime across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的PULS系统使用语义世界模型管道预测视频异常
研究人员开发了PULS（预测统一潜在空间），一种用于连续视频异常检测的新型管道，它超越了被动响应方法。PULS由KSD桥组成，该桥使用Qwen3-VL-Embedding-2B将V-JEPA 2的物理张量转换为文本对齐的超球体，以及一个预测状态预测器（ASP）。这种方法在UCF-Crime和XD-Violence等数据集上取得了出色的性能，证明了潜在清晰度假说，即预期的未来表征比当前表征在语义上更易分离。ASP模块进一步完善了这些预期…
-
新的深度学习框架通过时间验证增强了实时视频监控
研究人员开发了一种新颖的多任务深度学习框架，专为实时智能视频监控而设计。该系统集成了多个关键检测模块，包括人脸识别、车牌识别、武器检测以及火灾/烟雾检测，所有这些模块都在共享的GPU上运行。该框架引入了专门用于武器检测和动作识别的模型，在自定义数据集上实现了高精度。一项关键创新是时间事件验证架构，它使用多帧确认和置信度加权投票来减少误报并提高检测到的安全事件的可靠性，同时保持实时性能。
-
VigilFormer框架通过高效注意力增强视频异常检测
研究人员开发了VigilFormer，一种用于视频异常检测的新型框架，可在准确性和实时处理之间取得平衡。该系统利用可变形时空编码器来高效地关注相关视频片段，并利用因果异常分类器在没有帧级标签的情况下区分异常。此外，自适应置信度调度器在推理过程中动态跳过非关键帧，以进一步优化性能。
-
MemoVAD 通过 VLM 实现高效的边缘视频异常检测
研究人员开发了 MemoVAD，一个用于边缘设备上资源高效视频异常检测的新框架。该系统结合了边缘和云处理，并采用独特的感知不确定性的门控策略，仅将高不确定性的片段发送到基于云的视觉语言模型（VLM）。动态语义内存存储 VLM 验证的原型，使边缘模型能够逐步学习更丰富的语义，并显著降低通信开销，同时保持高性能。
-
新数据集ExtrAnom增强女性安全视频异常检测
研究人员推出了ExtrAnom数据集，这是一个新的多模态基准，旨在提高专门针对女性安全的视频异常检测（VAD）能力。该数据集包含1001个视频，其中501个被标记为异常，涵盖了跟踪、抢劫和骚扰等犯罪行为。ExtrAnom包含低光照和低分辨率等挑战性条件，并且每个视频都配有人工生成和LLM生成的文本描述，以辅助跨模态验证。
-
新框架使用冻结的VLM进行无训练视频异常检测
研究人员开发了CoReVAD，一个用于在视频中检测异常的新框架，无需进行特定任务的训练。该方法利用单个冻结的视觉语言模型（VLM）来生成异常分数和描述性解释。为了完善这些输出，CoReVAD整合了一个用于视觉-文本对齐的局部响应清理模块，以及一个用于时间上下文的基于softmax的带有高斯平滑的精炼模块。
-
LLMs enhance video anomaly detection with reasoning and spatial grounding
研究人员开发了VANGUARD，一个将视频异常检测与多模态大型语言模型相结合的新框架。该系统不仅能识别异常，还能提供可解释的思维链推理和异常事件的精确空间定位。VANGUARD采用分阶段训练方法和师生标注流程，在UCF-Crime等基准测试中取得了优异的性能，并展示了跨领域泛化能力。
-
Action Hints 论文使用 LLM 进行基于骨骼的视频异常检测
研究人员开发了一个新的零样本视频异常检测（ZS-VAD）框架，该框架利用骨骼数据中的语义典型性和上下文独特性。该方法旨在通过从大型语言模型中提取关于正常和异常行为的知识来提高对新场景的泛化能力。该方法在多个数据集上取得了最先进的结果，而无需目标域训练数据。