AITOP

5月14日

13:27

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。

13:26

arXiv cs.LG@Nikolaos Tsalkitzis, Panagiotis P. Filntisis, Petros Maragos, Niki Efthymiou

精选45

该研究开发了两种基于智能手表的框架用于日常精神病复发检测。第一种通过预测心脏动力学并标记预测与观测特征之间的偏差作为异常指标；第二种采用多任务学习融合睡眠、运动和心脏信号，学习时间感知嵌入并预测测量时机。两种框架均使用Transformer编码器，并通过多层感知机集成估计预测不确定性，输出每日异常分数。研究表明两种框架捕捉互补的生理信号，因此提出后期融合策略，将两者异常信号结合为统一决策分数。在e-Prevention Grand Challenge数据集上，融合模型比竞赛获胜基线相对提升8%。

论文精神病复发检测智能手表异常检测多任务学习 Transformer

推荐理由：精神科医生和数字健康研究者有了更可靠的复发预警工具——融合心脏、运动和睡眠多模态信号，比单一指标更准确。做可穿戴设备健康监测的团队可以直接参考其不确定性估计方法。