UCF-Crime-DVS

UCF-Crime-DVS是由宁波大学 Faculty of Electrical Engineering and Computer Science创建的第一个面向视频异常检测的大型事件相机数据集。该数据集包含1900个事件流，涵盖13种异常类别，与UCFCrime数据集保持一致。每个视频平均时长为242秒，总时长共计128小时，具有高分辨率1280×720。数据集通过事件相机捕捉，能够提供丰富的动态信息和高时间分辨率，适用于视频异常检测任务。UCF-Crime-DVS is the first large-scale event camera dataset for video anomaly detection, developed by the Faculty of Electrical Engineering and Computer Science of Ningbo University. This dataset contains 1900 event streams, covering 13 anomaly categories consistent with the UCFCrime dataset. Each event stream has an average duration of 242 seconds, with a total duration of 128 hours and a high resolution of 1280×720. Captured via event cameras, this dataset offers rich dynamic information and high temporal resolution, making it applicable to video anomaly detection tasks.

搜集汇总

数据集介绍

构建方式

UCF-Crime-DVS数据集的构建采用了动态视觉传感器（DVS）技术，通过事件相机捕捉视频中的离散事件流。数据集的构建过程分为四个阶段：预生产阶段、预处理阶段、拍摄阶段和后处理阶段。在预生产阶段，使用IMX636传感器的事件相机和4K显示器播放原始UCF-Crime数据集。拍摄阶段在无光环境下进行，以减少背景噪声。后处理阶段将长事件流按视频片段长度切割，并将事件数据整合为事件帧，以便于后续处理。

使用方法

UCF-Crime-DVS数据集主要用于基于事件流的视频异常检测任务。研究者可以使用该数据集训练和评估基于脉冲神经网络（SNN）的模型，如多尺度脉冲融合网络（MSF）。MSF框架通过局部和全局脉冲特征提取模块，结合时间交互模块（TIM），有效处理事件数据的复杂动态特性。数据集的使用方法包括将事件流分割为不重叠的片段，提取特征后通过MSF框架进行异常检测，并使用AUC和FAR等指标评估模型性能。

背景与挑战

背景概述

UCF-Crime-DVS数据集是由宁波大学电气工程与计算机科学学院的研究团队于2025年创建的首个基于动态视觉传感器（DVS）的视频异常检测基准数据集。该数据集旨在探索事件数据在视频异常检测（VAD）中的潜力，特别是在智能监控系统中的应用。UCF-Crime-DVS包含1900个事件流，涵盖13种异常类别，分辨率高达1280×720，平均每个视频时长为242秒，总时长达到128小时。该数据集的创建为基于脉冲神经网络（SNN）的弱监督视频异常检测提供了新的研究基础，推动了事件相机技术在计算机视觉领域的应用。

当前挑战

UCF-Crime-DVS数据集在构建和应用过程中面临多重挑战。首先，事件数据的离散性和高动态范围特性使得传统的人工神经网络（ANN）难以有效处理，而脉冲神经网络（SNN）虽然天然适合处理事件流，但其训练和优化过程复杂，模型性能提升受限。其次，事件数据的时空复杂性要求模型能够高效提取和融合多尺度特征，这对算法的设计提出了更高的要求。此外，数据集的构建过程中，如何确保事件数据与原始RGB视频的对齐以及如何减少背景噪声也是技术难点。最后，尽管事件相机在捕捉动态信息方面具有优势，但其在弱光环境下的表现仍需进一步优化，以确保数据质量。

常用场景

经典使用场景

UCF-Crime-DVS数据集主要用于视频异常检测领域，特别是在基于动态视觉传感器（DVS）的事件数据上进行异常检测的研究。该数据集通过捕捉高动态范围和高时间分辨率的事件流，为研究者提供了一个全新的视角来探索视频中的异常行为。经典的使用场景包括在智能监控系统中检测暴力行为、盗窃、爆炸等异常事件，帮助提升监控系统的自动化水平。

解决学术问题

UCF-Crime-DVS数据集解决了传统视频异常检测中数据冗余高、时间分辨率低的问题。通过引入事件数据，该数据集显著减少了静态背景信息的干扰，专注于捕捉动态物体的运动信息。这一特性使得研究者能够更有效地处理复杂的时间依赖性，提升异常检测的准确性。此外，该数据集还为基于脉冲神经网络（SNN）的弱监督学习提供了新的基准，推动了视频异常检测领域的技术进步。

实际应用

在实际应用中，UCF-Crime-DVS数据集被广泛用于智能监控系统的开发和优化。例如，在公共场所的监控摄像头中，该数据集可以帮助检测潜在的暴力行为、盗窃或其他异常事件，从而及时发出警报。此外，该数据集还可用于交通监控，检测交通事故或违规行为，提升交通管理的智能化水平。其高时间分辨率和低延迟特性使其在实时监控场景中表现出色。

数据集最近研究

最新研究方向

近年来，视频异常检测（VAD）领域的研究逐渐从传统的RGB和光流特征转向动态视觉传感器（DVS）数据的应用。UCF-Crime-DVS数据集的提出标志着这一领域的重大突破，首次将事件相机技术引入视频异常检测任务中。事件相机通过捕捉离散的事件流，提供了高动态范围和高时间分辨率的视觉信息，显著减少了数据冗余，并提升了运动物体的捕捉能力。基于脉冲神经网络（SNN）的多尺度脉冲融合网络（MSF）框架的提出，进一步推动了事件数据在VAD中的应用。该框架通过局部和全局脉冲特征的融合，有效捕捉了事件数据中的复杂时间依赖关系，显著提升了异常检测的精度。UCF-Crime-DVS不仅为基于事件数据的VAD研究提供了新的基准，还为未来智能监控系统的开发奠定了重要基础。

相关研究论文

• UCF-Crime-DVS: A Novel Event-Based Dataset for Video Anomaly Detection with Spiking Neural Networks

  宁波大学 Faculty of Electrical Engineering and Computer Science · 2025年