异常事件检测在真实监控场景中

近年来，安防领域已成为计算机视觉研究中最为活跃的应用方向之一，其与视频分析技术之间存在密切的关联。在实际的监控视频场景中，一个普遍存在的需求是实现对视频流中异常事件的自动识别，这正是异常事件检测任务（Anomaly detection）所关注的核心问题。

该任务面临诸多挑战，例如：

1. 异常事件出现的频率较低，从而使得相关数据的采集与标注工作变得尤为困难；
2. 因为异常事件数量稀少，在训练过程中正样本的数量远低于负样本；
3. 在监控场景下，无论是正常事件还是异常事件都呈现出高度的多样性和复杂性，即同一类别内部存在较大的差异性，方差问题尤为突出。

近期，UCF计算机视觉研究中心在CVPR18会议上发布了一篇关于监控视频中异常事件检测的研究论文（Real-world Anomaly Detection in Surveillance Videos, arxiv 1801.04264），文中提出了一种基于深度多实例排序机制的弱监督算法框架，并构建了一个全新的大规模异常事件检测数据集。本文旨在对该研究内容进行简要介绍，同时也有助于加深个人理解，若存在不当之处，敬请批评指正。

本文提出的异常检测算法

众多早期的方案通常先尝试获取一个普遍存在的模式，并假设所有偏离这一常规模式的现象均属于异常情况。然而实际上，要明确界定所谓的常规模式具有相当难度，因为常规模式