摘要
视频异常检测（Video Anomaly Detection, VAD）在计算机视觉领域的视频分析与监控中具有至关重要的作用。然而，现有的VAD模型依赖于预先学习的正常模式，这使得它们难以适应多样化的应用场景。因此，用户在面对新环境时，往往需要重新训练模型或开发独立的AI模型，这一过程不仅要求具备机器学习专业知识，还需高性能硬件支持以及大规模数据采集，严重限制了VAD技术的实际应用价值。为应对上述挑战，本研究提出了一种可定制化视频异常检测技术（Customizable Video Anomaly Detection, C-VAD）及相应的AnyAnomaly模型。C-VAD能够将用户自定义的文本描述作为异常事件的定义，并检测视频中是否包含指定事件的帧。我们通过一种无需微调大视觉语言模型的上下文感知视觉问答机制，高效实现了AnyAnomaly模型。为验证所提方法的有效性，我们构建了C-VAD专用数据集，并实证展示了AnyAnomaly模型的优越性能。此外，该方法在多个标准VAD基准数据集上均表现出具有竞争力的性能，在UBnormal数据集上达到了当前最优（SOTA）水平，并在所有数据集上均展现出更强的泛化能力。相关代码已开源，可通过 GitHub 项目页面：github.com/SkiddieAhn/Paper-AnyAnomaly 获取。