摘要
在监控视频中检测异常事件仍是一项具有挑战性的任务，也是众多研究工作的核心议题。鉴于当前最先进方法的性能仍不理想，本文提出了一种全新的解决方案，并做出四项主要贡献：1）在Sultani等人工作的基础上，我们设计了一种迭代学习框架，该框架由两个专家组成，分别采用弱监督与自监督的学习范式，彼此提供额外的学习数据，从而实现协同增强；在每次迭代中，新生成的样本通过一个贝叶斯框架进行筛选，有效支持了迭代式数据增强任务；2）我们提出在基础损失函数中引入一个新项，用于将得分分布扩展至单位区间（[0,1]），这一机制对迭代框架的性能提升至关重要；3）我们提出一种基于随机森林（Random Forest）的集成方法，在得分层面融合表现最优的多个模型，使等错误率（EER）相比当前最先进方法降低了约20%；4）我们正式发布“UBI-Fights”数据集，该数据集在帧级别上实现了完全标注，可供研究社区免费使用。本文的相关代码、实验协议细节及数据集均已公开，获取地址为：http://github.com/DegardinBruno/。