Watch and track your favorite playlist.
Curated by: 김성범[ 교수 / 산업경영공학부 ] (327 videos)
Video anomaly detection(VAD)은 비디오 속에서 정상과 다른 이상 사건을 시간 구간 단위로 탐지하는 문제이다. Weakly supervised video anomaly detection(WSVAD)은 frame-level 라벨 없이 비디오 전체 라벨만으로 이상 구간을 찾아야 하므로, 이를 학습하기 위한 효율적인 방법이 중요하다. 본 세미나에서는 WSVAD를 MIL ranking으로 정식화한 초기 연구부터, CLIP visual feature와 temporal attention을 활용한 CLIP-TSA, vision-language alignment를 통해 이상 사건의 종류까지 예측한 VadCLIP, 그리고 normality modeling과 semantic disentanglement를 통해 정상/이상 구분과 카테고리 혼동 문제를 개선한 DSANet까지의 발전 흐름을 살펴본다. 참고자료 [1] Zanella, Luca, et al. "Harnessing large language models for training-free video anomaly detection." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2024. [2] Sultani, Waqas, Chen Chen, and Mubarak Shah. "Real-world anomaly detection in surveillance videos." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. [3] Joo, Hyekang Kevin, et al. "Clip-tsa: Clip-assisted temporal self-attention for weakly-supervised video anomaly detection." 2023 IEEE International Conference on Image Processing (ICIP). IEEE, 2023. [4] Wu, Peng, et al. "Vadclip: Adapting vision-language models for weakly supervised video anomaly detection." Proceedings of the AAAI conference on artificial intelligence. Vol. 38. No. 6. 2024. [5] Yin, Wenti, et al. "Learning to tell apart: Weakly supervised video anomaly detection via disentangled semantic alignment." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 40. No. 14. 2026.