NWPU Campus

NWPU Campus数据集是由西北工业大学计算机学院创建的大型半监督视频异常检测基准，包含43个场景、28类异常事件和16小时视频。该数据集是目前最大的半监督VAD数据集，也是首个考虑场景依赖异常和视频异常预测的数据集。数据集内容丰富，包括日常行为和多种异常行为，如单人异常、交互异常和场景依赖异常等。创建过程中，通过在校园户外地点设置摄像头记录行人和车辆活动，并由志愿者参与表演正常和异常事件。该数据集适用于视频异常检测和预测研究，旨在提前预警异常事件，以防止危险事故和减少生命财产损失。

The NWPU Campus Dataset is a large-scale semi-supervised video anomaly detection (VAD) benchmark developed by the School of Computer Science, Northwestern Polytechnical University. It includes 43 scenarios, 28 categories of anomalous events, and 16 hours of video footage. Currently, it is the largest semi-supervised VAD dataset, and also the first benchmark that considers scenario-dependent anomalies and video anomaly prediction. The dataset has rich content, covering both daily routine behaviors and various anomalous behaviors such as single-person anomalies, interactive anomalies, and scenario-dependent anomalies. During its construction, cameras were deployed at outdoor campus locations to record the activities of pedestrians and vehicles, and volunteers were invited to perform both normal and anomalous events. This dataset is applicable to research on video anomaly detection and prediction, aiming to provide early warnings for anomalous events to prevent dangerous accidents and reduce losses of lives and property.

搜集汇总

数据集介绍

构建方式

NWPU Campus数据集的构建基于43个校园户外场景的视频采集，涵盖了28类异常事件和16小时的视频内容。数据采集过程中，超过30名志愿者参与了正常和异常事件的模拟，以确保数据的多样性和真实性。训练集仅包含正常事件，而测试集则包含正常和异常事件，且所有测试视频均进行了帧级标注，以指示异常事件的存在与否。此外，为了保护隐私，所有视频中的人脸均进行了模糊处理。

特点

NWPU Campus数据集是目前最大的半监督视频异常检测数据集，具有43个场景、28类异常事件和16小时的视频时长。其独特之处在于首次引入了场景依赖型异常事件，即同一事件在不同场景下可能表现为正常或异常。此外，该数据集还首次提出了视频异常预测任务，旨在提前预测异常事件的发生，填补了该领域的研究空白。数据集中的异常事件类型多样，涵盖了单人异常、交互异常、群体异常等多种形式，且正常事件也包含了日常行为，如行走、骑车等。

使用方法

NWPU Campus数据集可用于半监督视频异常检测和异常预测任务。在异常检测任务中，模型仅使用正常事件进行训练，并在测试阶段区分正常与异常事件。异常预测任务则要求模型基于当前帧预测未来是否会发生异常事件。数据集提供了帧级标注，便于模型评估。此外，研究者可以使用该数据集验证模型在处理场景依赖型异常和异常预测任务中的表现，并通过与其他现有数据集的对比，评估模型的泛化能力和鲁棒性。

背景与挑战

背景概述

NWPU Campus数据集是由西北工业大学计算机科学与技术学院的曹聪琪、卢悦、王鹏和张艳宁等人于2023年提出的一个半监督视频异常检测与预测的综合性基准数据集。该数据集旨在解决视频异常检测（VAD）领域中的场景依赖异常问题，并首次引入了视频异常预测（VAA）任务。NWPU Campus包含43个场景、28类异常事件以及16小时的视频数据，是目前规模最大、场景最多、异常类别最丰富的半监督VAD数据集。其独特之处在于首次考虑了场景依赖异常，即某些行为在特定场景下是正常的，而在其他场景下则被视为异常。该数据集的提出填补了现有数据集在场景依赖异常和异常预测任务上的空白，推动了视频异常检测领域的研究进展。

当前挑战

NWPU Campus数据集在构建和应用过程中面临多重挑战。首先，视频异常检测领域的主要挑战在于异常事件的多样性和罕见性，导致模型难以从有限的正常数据中学习到异常模式。其次，场景依赖异常的引入增加了数据集的复杂性，要求模型能够理解不同场景下的行为语义差异。此外，视频异常预测任务要求模型能够基于当前帧预测未来可能发生的异常事件，这对模型的时序建模能力提出了更高的要求。在数据集构建过程中，如何设计多样化的异常事件、确保场景的多样性以及保护参与者的隐私也是重要的挑战。这些挑战不仅推动了数据集的创新设计，也为未来的算法研究提供了新的方向。

常用场景

经典使用场景

NWPU Campus数据集在视频异常检测（VAD）和异常预测（VAA）领域具有广泛的应用。其经典使用场景包括智能监控系统中的异常行为检测，尤其是在多场景环境下，能够有效识别场景依赖的异常事件。例如，数据集中的场景依赖异常检测可以区分同一行为在不同场景下的正常与异常表现，如操场上的踢球行为是正常的，而在道路上踢球则被视为异常。

衍生相关工作

NWPU Campus数据集的发布推动了视频异常检测和预测领域的多项研究。基于该数据集，研究者提出了多种先进的算法模型，如基于前向-后向帧预测的场景条件自编码器模型，该模型能够同时处理异常检测和预测任务，并在多个基准数据集上取得了领先的性能。此外，该数据集还激发了关于场景依赖异常检测和长期异常预测的研究，进一步拓展了视频异常分析的应用边界。

数据集最近研究

最新研究方向

近年来，视频异常检测（VAD）领域的研究逐渐从单一场景的异常检测转向多场景、复杂事件的检测与预测。NWPU Campus数据集的提出填补了当前研究中场景依赖异常检测和视频异常预测的空白。该数据集不仅包含了43个场景和28类异常事件，还首次引入了场景依赖异常和视频异常预测任务，为智能监控系统提供了更为全面的评估基准。前沿研究主要集中在基于预测和重建的模型上，尤其是通过双向帧预测和场景条件自编码器来处理场景依赖异常和预测未来异常事件。这些方法在NWPU Campus数据集上表现出色，显著提升了异常检测和预测的准确性，推动了VAD领域的技术进步。

相关研究论文

• A New Comprehensive Benchmark for Semi-supervised Video Anomaly Detection and Anticipation

  西北工业大学计算机学院 · 2023年