精选理由
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。
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。
AI 翻译 · 中文
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。
In this paper, we explore a weakly supervised method for anomaly detection. Since annotating videos is time-consuming, we only look at weak video-level labels during training. This means that given a video, we know that …