UBnormal

该数据集名为“UBnormal”，专为视频异常检测而设计，其中包含了多种异常事件。此外，该数据集被纳入实验中，以评估该方法的有效性。其研究任务主要集中在视频异常检测领域。

This dataset, named "UBnormal", is specifically designed for video anomaly detection and contains a variety of anomalous events. Furthermore, this dataset has been incorporated into experiments to evaluate the effectiveness of the method under study, with its associated research tasks primarily concentrating on the field of video anomaly detection.

搜集汇总

数据集介绍

构建方式

视频异常检测领域长期受困于异常事件标注数据匮乏与开放集评估需求之间的矛盾。为突破这一瓶颈，UBnormal数据集应运而生，其构建依托于Cinema4D三维动画软件，通过将虚拟角色与物体嵌入真实世界背景图像，生成29个虚拟场景下的543段视频，总计236,902帧。数据生成过程中，团队历时三个月精心设计，确保每帧以720p分辨率、30FPS速率渲染，并经过人工质检剔除视觉瑕疵。尤为关键的是，该数据集首次在训练阶段提供像素级异常标注，涵盖22类异常事件，且训练集与测试集的异常类型互不相交，从而严格遵循开放集设定。

使用方法

UBnormal支持多种评估协议，可灵活适配不同研究需求。研究者可直接利用其像素级标注训练全监督模型（如TimeSformer），在开放集设定下评估异常检测性能；亦可将其作为辅助数据源，通过CycleGAN进行域适应后增强真实场景数据集（如Avenue、ShanghaiTech）的训练，实验表明该方法可显著提升现有技术指标。数据集提供官方代码与预训练模型，用户需按照标准流程划分训练/验证/测试集，并注意异常类型的互斥性以维持开放集特性。评估时推荐采用帧级AUC、RBDC与TBDC等多维度指标，全面衡量检测与定位能力。

背景与挑战

背景概述

视频异常检测是计算机视觉领域的一项核心任务，旨在从监控视频中自动识别偏离常态的事件。然而，传统方法多采用单类分类框架，训练时仅依赖正常样本，限制了模型对未知异常类型的泛化能力。为突破这一瓶颈，布加勒斯特大学、穆罕默德·本·扎耶德人工智能大学及中佛罗里达大学等机构的研究者于2021年提出了UBnormal数据集。该数据集首次构建了监督式开放集异常检测基准，包含29个虚拟场景、236,902帧视频，并在训练阶段提供像素级异常标注，同时确保训练与测试集的异常类型互不相交。这一创新设计不仅弥合了开放集与封闭集模型间的评估鸿沟，还为多任务学习等全监督方法提供了数据支撑，显著推动了异常检测领域的发展。

当前挑战

UBnormal数据集面临的核心挑战源于其开放集特性与合成数据本质的耦合。首先，视频异常检测依赖上下文语义，而开放集设定下异常类型无限泛化，导致模型需在训练时预判未知异常形态，这对特征学习与泛化能力构成严峻考验。其次，数据集构建过程需克服合成场景与真实世界间的分布偏移，尽管采用CycleGAN进行域适应，但虚拟角色的动作模式、光照条件与物理一致性仍与自然场景存在差异，可能限制模型在真实监控环境中的迁移效果。此外，异常事件的稀疏性与多尺度性（如微小物体或遮挡区域）加剧了像素级定位的难度，而现有基线方法在UBnormal上的帧级AUC仅为68.5%，凸显了当前算法在高变异场景下的性能瓶颈。

常用场景

经典使用场景

在视频异常检测领域，UBnormal数据集被广泛用于评估和训练模型在开放集场景下的异常事件识别能力。该数据集包含29个虚拟场景，涵盖22种异常行为类型，并在训练、验证和测试集中使用互不相交的异常类别集合，从而严格遵循开放集设定。研究者通常利用UBnormal来比较不同范式下的模型性能，例如单类开放集模型与全监督封闭集模型之间的公平对比，或者评估模型对未见异常类型的泛化能力。该数据集提供像素级标注，支持细粒度的异常定位任务，成为推动开放集视频异常检测研究的重要基准。

解决学术问题

UBnormal数据集解决了视频异常检测中两个核心学术难题：其一是传统单类分类范式因缺乏异常训练样本而导致的性能瓶颈，其二是弱监督方法在封闭集设定下无法检测新异常类型的局限性。通过首次提供带有像素级标注的异常训练样本，并确保训练与测试阶段的异常类别互不相交，该数据集使得全监督开放集学习成为可能，从而弥合了单类开放集模型与弱监督封闭集模型之间的性能鸿沟。这一设计不仅为模型超参数调优提供了必要的验证集，还揭示了现有基准（如UCSD Ped2）因异常类型单一而趋于饱和的问题，推动了更具挑战性的异常检测模型的研发。

实际应用

在实际应用中，UBnormal数据集主要用于提升智能视频监控系统的异常检测鲁棒性。通过将其虚拟异常数据与真实场景数据集（如Avenue和ShanghaiTech）结合，研究者能够借助域适应技术（如CycleGAN）弥合合成数据与自然场景之间的分布差异，从而增强模型在真实监控环境中的泛化能力。实验表明，即使不进行域适应，UBnormal的异常样本也能直接提升现有最先进模型在真实数据集上的检测性能（如将Avenue的帧级AUC提升至93.0%）。这使得UBnormal成为解决真实世界中异常数据稀缺问题的有效工具，尤其适用于城市安防、交通管理和公共空间监控等场景。

数据集最近研究

最新研究方向

在视频异常检测领域，传统方法多基于单分类或弱监督学习框架，难以兼顾对未知异常类型的泛化能力与像素级精细标注的需求。UBnormal数据集的提出标志着该领域向监督式开放集检测范式的关键转型。该基准通过构建29个虚拟场景、涵盖22种异常动作类别，首次在训练集中引入像素级异常标注，并确保训练与测试集的异常类型互不相交，从而严格遵循开放集设定。这一设计不仅实现了全监督学习与开放集评估的有机融合，更在Avenue和ShanghaiTech等真实场景数据集上验证了其迁移增强价值——通过CycleGAN域适应或直接联合训练，显著提升了现有最优模型的检测精度。UBnormal的诞生为视频监控中的异常事件检测开辟了兼顾标注精细度与场景泛化性的新研究方向，尤其为应对现实世界中罕见或突发异常事件提供了可控且可扩展的实验平台。

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