基于Transformer架构的端到端视频异常检测方法

来源：计算机技术与发展杂志2025年第06期北京时间：

作者：李石峰*;罗晰;刘晓茹;田野

摘要：传统的卷积神经网络虽然能够处理空间结构数据,但在处理大规模视频数据时,其时空建模能力不足。 为了解决这一问题,需要一个能够处理海量视频数据的高效模型。 该文提出了一种新的基于 Transformer 架构的端到端视频异常检测方法。 该方法结合 Swin Transformer 架构和 Video Vision Transformer (ViViT)模型设计了时空信息融合模型,以提取视频帧序列的丰富时空信息。 此外,通过将时空信息融合模型和深度支持向量数据描述(Deep SVDD)方法进行联合训练,实现了端到端的视频异常检测。 在两个公开视频数据集上与最新的 10 种方法进行了对比实验,在 UCSD Ped2 数据集上,该模型取得了最高的 96. 5% 的 AUC;在 CHUK Avenue 数据集上,该模型也取得了 80. 7% 的 AUC,优于多数方法。 与领先的视频异常检测方法相比,该方法具有一定的优势和竞争力。

关键词：视频异常检测;Transformer架构;时空信息融合模型;深度支持向量数据描述;联合训练