UBnormal：面向监督式开放集视频异常检测的新基准

在视频异常事件检测任务中，通常将其建模为一类分类（one-class classification）问题：训练视频仅包含正常事件，而测试视频则同时包含正常与异常事件。在此设定下，异常检测属于开放集（open-set）问题。然而，部分研究将异常检测视为动作识别任务，这属于封闭集（closed-set）场景，无法有效检验系统对新型异常类型的检测能力。为此，我们提出 UBnormal——一个全新的监督式开放集视频异常检测基准数据集。该数据集由多个虚拟场景构成，具有以下创新特点：与现有数据集不同，我们在训练阶段首次引入了像素级标注的异常事件，从而首次实现了对异常事件检测任务的全监督学习方法的应用。为保持典型的开放集设定，我们在训练与测试视频集合中严格采用互不重叠的异常类型。据我们所知，UBnormal 是首个能够实现一类开放集模型与监督式封闭集模型之间公平直接对比的视频异常检测基准，实验结果已验证了这一点。此外，我们提供了实证证据表明，利用 UBnormal 进行训练可显著提升当前最先进异常检测框架在两个主流数据集（Avenue 和 ShanghaiTech）上的性能表现。本基准数据集已开源，可通过 https://github.com/lilygeorgescu/UBnormal 免费获取。