简介：本文介绍了香港大学在AAAI 2023上提出的Glance-and-Focus网络，该网络有效提升了弱监督条件下的视频异常检测性能，通过特征放大机制和幅度对比损失，实现了对视频中异常行为的精准识别。
随着监控摄像头的普及和人工智能技术的飞速发展，视频异常检测在公共安全、智能安防等领域的应用日益广泛。然而，由于异常事件本身的罕见性、未知性和无边界性，使得弱监督条件下的视频异常检测成为一项极具挑战性的任务。近日，在人工智能领域的顶级学术会议AAAI 2023上，香港大学的研究团队提出了一种创新的Glance-and-Focus网络，为这一难题提供了有效的解决方案。
Glance-and-Focus网络（简称MGFN）是一种新颖的视频异常检测模型，其灵感来源于人类视觉系统中的全局到局部信息集成机制。该网络通过整合视频中的时空信息，实现了对异常事件的精确检测。具体而言，MGFN网络由特征提取器、特征放大机制（Feature Amplification Mechanism, FAM）、Glance Block和Focus Block四个主要部分组成。
特征提取器是MGFN网络的第一道关卡，它负责从输入的视频中提取出关键的特征信息。这些特征信息将作为后续处理的基础。
为了应对现有方法中特征幅度易受环境影响的问题，研究团队提出了特征放大机制。FAM通过显式计算特征图的特征范数，并利用一维卷积调制这些特征范数，从而增强特征图的表示能力。这一机制使得网络在检测异常时能够更加准确地捕捉到关键信息。
Glance Block主要负责从全局视角捕捉视频序列中的上下文信息。它通过将视频序列均匀分割成多个片段，并利用视频片段级Transformer（VCT）学习这些片段之间的全局相关性。这一步骤为网络提供了关于“正常情况是什么样子”的知识，有助于更好地检测异常事件。
在Glance Block提供了全局信息的基础上，Focus Block进一步处理每个特定部分以进行异常检测。它利用自注意力卷积（SAC）增强每个视频片段中的特征学习，并通过前馈网络输出最终的异常检测结果。
研究团队在两个大型基准数据集UCF-Crime和XD-Violence上进行了实验，以验证MGFN网络的有效性。实验结果表明，MGFN网络在弱监督条件下的视频异常检测任务中表现优异，其性能显著优于现有的最先进方法。
具体来说，MGFN网络通过特征放大机制和幅度对比损失有效解决了特征幅度在场景之间不一致性的问题，使得网络在检测异常时更加鲁棒。同时，Glance Block和Focus Block的结合使得网络能够同时捕捉到全局和局部的信息，进一步提高了检测的准确性。
Glance-and-Focus网络在弱监督视频异常检测领域的成功应用，不仅为学术研究提供了新的思路和方法，也为实际应用带来了广阔的前景。例如，在智能安防领域，该技术可以实时监测公共场所的异常行为，如暴力事件、跌倒等，为公共安全提供有力保障。
此外，随着技术的不断发展和完善，Glance-and-Focus网络还有望在更多领域发挥重要作用。例如，在智能交通领域，该技术可以用于分析道路用户的行为模式，优化交通信号控制策略；在智能制造领域，该技术可以用于监测生产线的异常情况，提高生产效率和产品质量。
综上所述，香港大学在AAAI 2023上提出的Glance-and-Focus网络为弱监督视频异常检测领域带来了重要的创新突破。通过特征放大机制和幅度对比损失的结合以及Glance Block和Focus Block的协同工作，该网络实现了对视频中异常行为的精准识别。未来，随着技术的不断发展和完善，Glance-and-Focus网络有望在更多领域发挥重要作用，为社会的智能化发展贡献力量。