计算机科学与探索

作者：张一帆, 严豫, 刘特立, 陈鹏

单位：1. 中国人民公安大学 信息网络安全学院，北京 1000382. 中国科学院 计算技术研究所，北京 100089

关键词：视频异常检测,弱监督,视频级特征,时空注意力,加权平均特征

基金：中国人民公安大学基本科研业务费项目（2024JKF04）。

目前，弱监督视频异常检测（WVAD）已经成为视频异常检测的主流方法之一。然而，现有方法存在将各视频段视为独立同分布的示例，忽略了视频级时空依赖关系的问题。针对上述问题，提出了一种三维重排MLP驱动的跨维度特征交互式弱监督视频异常检测方法（rMLP-WVAD）。使用I3D编码器提取视频帧的多尺度特征，并通过三维重排MLP驱动的视频级特征交互及时空注意力机制（VSA）进行特征增强，以保留视频级的时空依赖关系并充分挖掘关键的跨维度异常特征。随着跨维度特征被进一步挖掘和丰富，如何更加精准地定义并量化“异常”便成为能否有效检测视频异常的关键。为此，提出将特征与加权平均特征的差异（DFWM）作为异常判别标准，以充分利用增强后的时空特征表达，更准确地量化“异常”并提升检测的性能。在公开数据集上的实验结果显示，rMLP-WVAD在XD-Violence数据集上的AP达到86.39%，在UCF-Crime数据集上的AUC达到85.70%，验证了该方法的有效性。

来源：2026年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第1期