摘要
弱监督视频异常检测（Weakly Supervised Video Anomaly Detection, WS-VAD）旨在基于判别性特征表示，区分异常事件与正常事件。然而，现有大多数方法受限于视频表征能力不足的问题。为此，本文提出一种多实例自训练框架（Multiple Instance Self-Training, MIST），仅利用视频级别标注即可高效优化任务特定的判别性表示。MIST框架主要包括两个核心组件：1）多实例伪标签生成器，通过引入稀疏连续采样策略，生成更加可靠的片段级伪标签；2）自引导注意力增强型特征编码器，能够在提取任务特定表示的同时，自动聚焦于帧中的异常区域。此外，本文采用自训练机制联合优化上述两个组件，最终获得一个性能优异的任务特定特征编码器。在两个公开数据集上的大量实验结果表明，所提方法具有显著有效性，其性能在多个指标上达到或超过现有监督与弱监督方法，尤其在ShanghaiTech数据集上实现了94.83%的帧级AUC，展现了卓越的异常检测能力。