UCF-Crime

UCF-Crime数据集是一个用于视频异常检测的大规模资源，包含了长时间、未剪辑的监控视频，其中包含时间局部化的异常事件。数据集广泛用于帧级别和视频级别的评估。UCF-Crime数据集由首尔大学人工智能与机器人系创建，旨在解决视频异常检测问题，特别是针对监控和公共安全领域。数据集包含6,130个帧级别的问答对和2,840个视频级别的问答对，共计8,970个样本，涵盖了不同类型的异常事件。

UCF-Crime Dataset is a large-scale resource for video anomaly detection, which contains untrimmed long-duration surveillance videos with temporally localized anomalous events. It is widely used for frame-level and video-level evaluations. Developed by the Department of Artificial Intelligence and Robotics at Seoul National University, this dataset was created to address video anomaly detection problems, especially in the fields of surveillance and public safety. The dataset includes 6,130 frame-level question-answer pairs and 2,840 video-level question-answer pairs, totaling 8,970 samples covering various types of anomalous events.

搜集汇总

数据集介绍

构建方式

UCF-Crime数据集通过真实监控场景中的未剪辑视频构建，采用时间局部标注技术标识异常事件片段。其构建过程融合了自动化分析与人工验证，确保异常事件的时空定位准确性，涵盖抢劫、斗殴、盗窃等多种犯罪类型，为视频异常检测研究提供了丰富的真实世界样本基础。

使用方法

研究者可通过提取视频片段或单帧输入预训练模型进行异常评分，支持弱监督与全监督学习范式。评估时需遵循标准协议：帧级任务计算ROC曲线下面积（AUC），视频级任务聚合片段得分进行整体分类。数据集划分保留官方训练测试比例，需注意时序连续性约束与跨场景泛化验证。

背景与挑战

背景概述

UCF-Crime数据集由W. Sultani等人于2018年创建，是视频异常检测领域的标志性资源，专注于监控场景中的真实异常事件识别。该数据集包含大量未修剪的长时监控视频，涵盖抢劫、斗殴、交通事故等多种异常类型，旨在推动弱监督学习范式下的时空异常检测研究。其创新性在于提供视频级标签与帧级定位注释，为模型提供细粒度监督信号，深刻影响了智能安防、公共安全等领域的算法开发与评估标准。

当前挑战

UCF-Crime需解决视频异常检测中罕见事件识别与时空上下文建模的核心挑战，包括复杂场景下异常与正常行为的细粒度区分、长视频序列中关键帧的提取与标注效率问题。构建过程中面临标注成本高昂、异常事件时空分布不均、以及真实监控环境中光照变化、遮挡等噪声干扰，需通过弱监督学习和自适应采样策略平衡数据覆盖性与计算效率。

常用场景

经典使用场景

在智能监控领域，UCF-Crime数据集被广泛用于视频异常检测算法的训练与评估。该数据集包含大量未经剪辑的监控视频，涵盖抢劫、斗殴、盗窃等多种真实场景的异常事件，为模型提供了丰富的时空上下文信息。研究者通常利用其帧级和视频级标注，开发能够自动识别非常规行为的深度学习模型，显著提升了监控系统的自动化水平。

解决学术问题

UCF-Crime有效解决了视频异常检测中样本不平衡、弱监督学习与可解释性三大核心问题。其时空定位的异常标注支持帧级细粒度分析，同时视频级标签促进了弱监督方法的创新，如多实例学习范式。该数据集还推动了视觉-语言模型在异常推理中的应用，使模型不仅能检测异常，还能生成人类可理解的行为描述，增强了决策透明度。

实际应用

该数据集的实际价值体现在智慧城市安防体系中。基于UCF-Crime训练的模型已部署于地铁站、机场等公共场所的监控系统，实现实时暴力行为预警和危险物品检测。其衍生技术还应用于工业安全生产场景，如识别违规操作或设备异常状态，有效降低人工监控成本并提升应急响应效率，为公共安全治理提供了关键技术支撑。

数据集最近研究

最新研究方向

在视频异常检测领域，UCF-Crime数据集正推动基于多模态大语言模型的统一评估框架发展。最新研究聚焦于构建双基准范式，通过异常感知采样策略优先提取异常密集片段，同时保持全局时序覆盖。该方向深度融合视觉-语言模型的可解释性能力，支持帧级与视频级任务的协同优化，显著提升了复杂安防场景下的时空推理性能。当前研究热点包括弱监督异常定位、跨模态对齐技术以及实时检测系统的部署优化，这些进展为智能监控系统提供了更可靠的决策支持基础。

相关研究论文

• DUAL-VAD: Dual Benchmarks and Anomaly-Focused Sampling for Video Anomaly Detection

  首尔大学人工智能与机器人系 · 2025年