摘要
本研究聚焦于弱监督异常检测（Weakly Supervised Anomaly Detection），其中预测模型不仅能够从正常样本中学习，还可利用训练过程中提供的少量标注异常样本进行学习。具体而言，本文关注视频流中异常行为的定位问题，这一任务极具挑战性，因为训练样本仅提供视频级别的标注（而非帧级别的细粒度标注）。近年来，已有多种研究通过引入不同的正则化项来应对该问题，例如在弱监督学习得到的帧级异常得分上施加稀疏性与平滑性约束。在本工作中，我们受到自监督学习领域最新进展的启发，提出要求模型对同一视频序列的不同数据增强版本输出一致的异常得分。实验结果表明，通过强制这种一致性对齐，能够显著提升模型在XD-Violence数据集上的性能表现。