摘要

近年来，许多研究工作致力于解决在视频中发现前所未见异常的问题。然而，大多数研究主要集中在从安全摄像头拍摄的监控视频中检测异常帧。与此同时，对于展示异常机械行为的视频中的异常检测（AD）任务则被忽视较多。此类视频中的异常检测不仅具有学术价值，还具有实际应用意义，因为它们可能实现在许多制造、维护和现实场景中自动检测故障。为了评估不同方法在检测此类异常方面的潜力，我们评估了两种简单的基线方法：(i) 时间池化图像异常检测技术。(ii) 使用预训练的视频分类特征表示的视频密度估计。开发这些方法需要新的基准测试以允许对不同的潜在方法进行评估。我们引入了物理异常轨迹或运动（PHANTOM）数据集，该数据集包含六种不同的视频类别。每个类别包括正常和异常视频。这些类别的差异在于所展示的现象、正常类别的变异性以及视频中的异常类型。我们还提出了一项更具挑战性的基准测试，在这项测试中，需要在高度变化的场景中识别出异常活动。