UBnormal

UBnormal是由布加勒斯特大学创建的视频异常检测数据集，包含29个虚拟场景和236,902个视频帧。数据集通过Cinema4D软件生成，包含多种正常和异常事件，如行走、战斗、跳舞等，旨在通过像素级标注支持全监督学习方法。UBnormal特别之处在于训练和测试集中的异常类型不重叠，确保了开放集问题的特性。该数据集适用于评估和比较开放集和封闭集模型，并已证明能提升现有异常检测框架在Avenue和ShanghaiTech数据集上的性能。UBnormal is a video anomaly detection dataset created by the University of Bucharest, which includes 29 virtual scenarios and 236,902 video frames. Generated using Cinema4D software, the dataset covers a variety of normal and abnormal events such as walking, fighting, dancing and others. It features pixel-level annotations to support fully supervised learning methods. A distinct feature of UBnormal is that the anomaly types in the training and test sets do not overlap, which ensures its open-set problem characteristics. This dataset is applicable for evaluating and comparing open-set and closed-set models, and has been proven to improve the performance of existing anomaly detection frameworks on the Avenue and ShanghaiTech datasets.

搜集汇总

数据集介绍

构建方式

UBnormal数据集通过使用Cinema4D软件生成虚拟场景来构建，这些场景包括街道、火车站和办公室等多种自然环境。每个场景都经过精心设计，以消除前景物体，确保背景的纯净。在每个虚拟场景中，生成平均19个视频，涵盖正常和异常事件。异常事件在训练时以像素级标注，首次实现了完全监督学习方法在异常事件检测中的应用。训练集和测试集中的异常类型相互独立，确保了开放集问题的典型特征。

使用方法

UBnormal数据集适用于视频异常检测任务，特别是开放集异常检测。研究者可以利用数据集中的像素级标注进行完全监督学习，训练模型以区分正常和异常事件。数据集的多样性和复杂性使其成为评估和改进现有异常检测算法的理想平台。通过将UBnormal数据集与真实世界数据集结合，如Avenue和ShanghaiTech，可以进一步验证模型在实际应用中的性能。

背景与挑战

背景概述

UBnormal数据集由Andra Acsintoae、Andrei Florescu、Mariana-Iuliana Georgescu等研究人员于2021年提出，旨在解决视频异常检测中的监督开放集问题。该数据集通过引入像素级标注的异常事件，首次实现了对异常事件检测的完全监督学习方法。UBnormal数据集包含29个虚拟场景，共236,902帧视频，涵盖多种异常事件类型，如打斗、爬行、跳舞等。该数据集的提出填补了现有数据集在监督开放集异常检测方面的空白，为研究者提供了一个公平比较开放集和封闭集模型的平台，并对视频异常检测领域产生了深远影响。

当前挑战

UBnormal数据集在构建过程中面临两大主要挑战：一是异常事件的上下文依赖性，导致异常类型的无限多样性；二是缺乏异常训练数据，这在伦理和实际操作上都是不可行的。此外，该数据集的虚拟场景与自然场景的数据分布差异较大，可能导致完全监督模型在真实世界场景中的表现不明确。为解决这一问题，研究者提出使用CycleGAN进行数据分布的转换，以弥合虚拟与真实场景之间的差距。尽管如此，如何确保模型在不同数据分布下的鲁棒性和泛化能力仍是该数据集面临的重要挑战。

常用场景

经典使用场景

UBnormal数据集在视频异常检测领域中被广泛用于评估和开发新的检测算法。其经典使用场景包括在训练阶段提供像素级别的异常标注，使得模型能够利用完全监督学习方法进行异常事件检测。此外，UBnormal通过在训练和测试集之间设置不重叠的异常类型，确保了开放集问题的典型特征，从而允许在未知异常类型上进行公平的模型评估。

解决学术问题

UBnormal数据集解决了视频异常检测中的一个关键学术问题，即缺乏异常训练数据的问题。通过提供像素级别的异常标注，UBnormal使得研究人员能够开发和训练完全监督的异常检测模型，从而显著提升了模型的性能。此外，UBnormal的开放集设置确保了模型在检测未知异常类型时的鲁棒性，这对于实际应用中的异常检测至关重要。

实际应用

在实际应用中，UBnormal数据集可以用于监控系统中的异常检测，如公共安全监控、交通监控和工业监控等。通过训练模型识别和定位视频中的异常行为，UBnormal有助于提高监控系统的自动化水平，减少人工监控的负担，并及时发现潜在的安全威胁。

数据集最近研究

最新研究方向

在视频异常检测领域，UBnormal数据集的最新研究方向主要集中在探索监督开放集分类问题。该数据集通过在训练时引入像素级标注的异常事件，首次实现了对异常事件检测的完全监督学习方法。这一创新不仅使得模型能够在训练阶段接触到异常样本，从而提升检测性能，还通过在训练和测试集之间设置不重叠的异常类型，确保了开放集特性的保留。研究者们正利用UBnormal数据集进行公平的模型比较，评估在一类开放集模型和监督闭集模型之间的性能差异。此外，UBnormal数据集还被用于增强现有最先进异常检测框架在Avenue和ShanghaiTech等数据集上的表现，展示了其在实际应用中的潜力和重要性。

相关研究论文

• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection

  布加勒斯特大学 · 2023年