摘要

在本研究中，我们将视频异常检测任务表述为对物体边界框的概率分析。我们假设仅通过物体的边界框表示，就足以成功识别场景中的异常事件。这种方法的潜在价值在于增强物体匿名化、加快模型训练速度以及减少计算资源需求。这特别有利于在边缘设备（如摄像头）上运行的视频监控应用。我们基于人类推理设计了模型，这有助于以人类可理解的方式解释模型输出。同时，最慢的模型在第11代英特尔酷睿i9处理器上训练时间不到7秒。尽管我们的方法相比现有技术大幅减少了问题特征空间，但我们展示了这并不会导致性能下降：我们在CUHK Avenue和ShanghaiTech基准数据集上的结果具有很高的竞争力，并且在StreetScene数据集上的最新状态（State-of-the-Art）结果显著超越了此前的最佳表现，而StreetScene一直被认为是最具挑战性的视频异常检测数据集。