摘要
本文提出了一种针对具有时间与计算资源敏感性要求的自动化系统（如自动驾驶）的新型异常检测方法，其效率达到前所未有的水平。随着自动驾驶等系统日益普及，保障其安全性已成为至关重要的课题。因此，本文聚焦于如何快速且高效地检测上述系统中的各类异常，旨在提升系统的安全性与可靠性。尽管已有众多检测系统在空间上下文场景下取得了显著成功，但在时间上下文建模方面仍存在巨大改进空间。尽管该任务已有大量研究，但针对模型效率及其在需要实时推理场景（如自动驾驶中需在异常进入视野的瞬间即被检测）中实际应用能力的研究仍十分有限。为填补这一空白，本文提出STEAD（Spatio-Temporal Efficient Anomaly Detection）方法，其核心架构基于（2+1）D卷积与Performer线性注意力机制，在不牺牲性能的前提下显著提升了计算效率。在UCF-Crime基准测试中，我们的基础模型取得了91.34%的AUC值，超越了此前的最先进水平；而其快速版本在仅拥有原模型0.30%参数量（即减少99.70%）的情况下，仍达到88.87%的AUC，同样优于先前最优方法。相关代码与预训练模型已公开发布于：https://github.com/agao8/STEAD