Efficient Zero-Shot Video Anomaly Detection via Signal-Aware Adaptive Fusion (SAAF)

{"tags": ["Computer Vision", "Video Anomaly Detection", "Zero-Shot", "Vision-Language Models", "Real-Time Inference", "SAAF"], "risks": ["Ngưỡng thích ứng EMA có thể phát sinh dương tính giả khi bối cảnh nền có biến động tự nhiên lớn (như thay đổi ánh sáng hoặc góc máy đột ngột).", "Chất lượng phát hiện phụ thuộc vào năng lực không gian nhúng ngữ nghĩa của mô hình Vision-Language nền tảng.", "Chưa có đánh giá thực tế trong điều kiện băng thông thấp hoặc camera rung lắc mạnh."], "category": "Research", "entities": ["SAAF", "Vision-Language Models", "XD-Violence", "MSAD", "ShanghaiTech", "UCF-Crime"], "summary_vi": "SAAF (Signal-Aware Adaptive Fusion) là khung phát hiện bất thường trong video dạng zero-shot dành cho Vision-Language Models. Phương pháp sử dụng bộ lấy mẫu thích ứng tín hiệu kép (delta signal cho biến đổi đột ngột, drift signal cho bất thường từ từ/tĩnh), kết hợp kiến trúc phân tầng kiểm soát bằng ngưỡng và cơ chế hợp nhất điểm linh hoạt. SAAF thiết lập kỷ lục SOTA zero-shot mới trên XD-Violence (92.07%), MSAD (86.70%), ShanghaiTech (80.54%) AUC-ROC, vượt qua cả các mô hình có giám sát và duy trì tốc độ thời gian thực 41–48 FPS (nhanh hơn 2.22x–2.63x).", "key_changes": ["Đề xuất bộ lấy mẫu thích ứng tín hiệu kép (dual-signal adaptive sampler) trong không gian nhúng: delta signal bắt sự kiện đột ngột qua cosine distance giữa các khung hình, drift signal bắt bất thường từ từ/tĩnh qua ngữ cảnh thời gian cuộn.", "Kết hợp tín hiệu qua cổng OR với ngưỡng EMA thích ứng, đảm bảo độ bao phủ dị thường toàn diện ở chế độ zero-shot hoàn toàn không cần huấn luyện.", "Kiến trúc phân tầng kiểm soát bằng ngưỡng (threshold-gated cascaded architecture): chấm điểm khung hình nhẹ trước, chỉ kích hoạt phân tích video đắt tiền khi độ tin cậy yêu cầu thêm ngữ cảnh.", "Cơ chế hợp nhất có trọng số nhận biết tín hiệu (signal-aware weighted fusion) điều chỉnh phối hợp điểm số dựa trên tín hiệu kích hoạt chọn khung hình.", "Đạt SOTA zero-shot trên XD-Violence (92.07%), MSAD (86.70%), ShanghaiTech (80.54%) AUC-ROC, đồng thời duy trì tốc độ 41.06–48.61 FPS (tăng thông lượng 2.22x–2.63x)."], "sub_category": "Video Anomaly Detection", "novelty_score": 80, "business_score": 85, "research_score": 86, "why_it_matters": "Chi phí suy luận cao của Vision-Language Models là rào cản lớn nhất khi triển khai phân tích video giám sát quy mô lớn. SAAF giải quyết bài toán này nhờ cơ chế lọc thích ứng tín hiệu kép và kiến trúc phân tầng, cho phép đạt tốc độ thời gian thực (>40 FPS) ở chế độ zero-shot mà vẫn đạt độ chính xác vượt qua các mô hình có giám sát truyền thống.", "developer_score": 80, "importance_score": 82, "possible_use_cases": ["Hệ thống camera giám sát an ninh (CCTV) phát hiện bạo lực, tai nạn và sự cố bất thường theo thời gian thực.", "Phát hiện bất thường và giám sát an toàn lao động trong nhà máy, kho bãi mà không cần gán nhãn dữ liệu đào tạo cho từng góc quay.", "Bộ lọc tiền xử lý (pre-filter) giảm tải chi phí GPU cho các pipeline phân tích video sử dụng VLM quy mô lớn trên cloud."], "actionability_score": 78}