由于训练过程中缺乏帧级标注，视频异常检测（VAD）需要开发无需全面监督的学习方法。以往方法主要聚焦于建模时间依赖关系与学习判别性特征，但常面临异常检测不完整、视频片段分离能力弱等问题。为解决这些问题，本文提出一种基于时间代理机制的多尺度 VAD 方法，称为，在方法结构与特征学习方面实现了显著创新：首先，针对视频中异常事件在时间尺度上的多样性，我们设计了一种多尺度时间注意力模块，用于捕获不同长度异常

由于训练过程中缺乏帧级标注，视频异常检测（VAD）需要开发无需全面监督的学习方法。以往方法主要聚焦于建模时间依赖关系与学习判别性特征，但常面临异常检测不完整、视频片段分离能力弱等问题。为解决这些问题，本文提出一种基于时间代理机制的多尺度 VAD 方法，称为，在方法结构与特征学习方面实现了显著创新：首先，针对视频中异常事件在时间尺度上的多样性，我们设计了一种多尺度时间注意力模块，用于捕获不同长度异常

定义其对应优先队列，这里有点类似与sort。其中，node为结构体，vector<node>大概试表示范围（我不确定）,cmp为比较的函数。值得注意的是cmp不能直接使用bool定义，而是要写成下列形式，一定要用operator。如果你想要大的排前，那你需要写"<="，这里和sort有所区别。菜鸡一个，如有讲错，欢迎指出。

由于模型仅基于正常时空特征训练，预期正常事件在 \(M_s\) 第一行和 \(M_t\) 最后一行的数值会高于异常事件。因此，

利用VLMs同时检测异常，并为决策提供易于理解的解释。这一领域的现有研究通常认为，VAD所需的复杂推理超出了预训练VLMs的能力范围。因此，这些方法要么在推理过程中引入专门的推理模块，要么通过额外训练依赖指令调整数据集，以使VLMs适用于VAD。然而，这些策略往往会带来高昂的计算成本或数据标注负担。为应对可解释VAD中的这些挑战，我们引入了一种名为VERA的语言化学习框架该框架能让VLMs在不修改

趋向于开放式的视频异常检测（VAD），现有方法在面对具有挑战性或未见过的事件时，往往表现出有偏见的检测，并且缺乏可解释性。为了解决这些缺点，我们提出了Holmes-VAD，这是一种新颖的框架，通过精确的时间监督和丰富的多模态指令来实现准确的异常定位和全面的解释。首 先，为了构建无偏见且可解释的VAD系统，我们构建了第一个大规模多模态VAD指令调优基准，即VAD-Instruct50k。该数据集是使

弱监督暴力检测是指仅使用视频级标签训练模型来识别视频中暴力片段的技术。在这些方法中，融合了音频和光流等模态的多模态暴力检测具有巨大潜力。该领域现有的方法主要侧重于设计多模态融合模型来解决模态差异问题。相比之下，我们采用了一种不同的方法——利用暴力事件表示中各模态之间的固有差异，提出一种新颖的多模态语义特征对齐方法。这种方法将局部的、短暂的且信息较少的模态（如音频和光流）的语义特征稀疏地映射到信息更

视频异常检测（VAD）能够自动识别异常事件，例如监控视频中的安全威胁。在实际应用中，VAD模型必须在跨域环境中有效运行，识别那些在训练数据中未得到充分体现的罕见异常和场景。然而，现有的跨域VAD方法主要侧重于无监督学习，其性能未能达到实际应用的预期。由于获取源域的弱监督（即视频级标签）成本效益较高，我们推测将其与外部未标记数据相结合，在提升跨域性能方面具有显著潜力。为此，我们提出了一种全新的用于V