基于Vision Transformer与SRU++的注意力驱动递归视频异常检测框架

研究人员针对视频监控中异常事件检测(VAD)存在的长视频处理效率低、异常事件稀疏性等挑战，开发了结合Vision Transformer(ViT)空间特征提取和Simple Recurrent Unit Plus Plus(SRU++)时序建模的新型框架。通过分段标注策略和聚类加权机制，在UCF-Crime等三大数据集上实现95.14%的准确率，计算效率较传统方法提升10倍，为实时安防监控提供高效解决方案。

　　

在公共安全领域，监控摄像头每天产生海量视频数据，但人工筛查效率低下且容易遗漏关键异常事件。传统视频异常检测(Video Anomaly Detection, VAD)面临三大困境：长视频中异常事件稀疏难定位、复杂场景下细微异常难捕捉、实时处理对计算资源要求苛刻。尤其对于暴力、爆炸等突发性公共安全事件，现有基于CNN-LSTM的模型存在长程依赖捕捉不足、推理延迟高等问题，而纯Transformer架构又面临计算量爆炸的挑战。

针对这些行业痛点，United International University（联合国际大学，孟加拉国）计算机科学与工程系的研究团队创新性地提出"注意力驱动递归"的混合架构。该成果发表在《Array》期刊，通过ViT-Small捕获全局空间特征，结合CUDA优化的SRU++实现高速时序建模，在保持精度的同时将计算效率提升一个数量级。研究人员特别设计了针对UCF-Crime数据集的"分段-聚类加权"机制，使多类暴力事件识别准确率突破95%大关。

关键技术路线包含：1）基于统计分析的视频分段预处理（10秒/段）；2）ViT-small_patch16_224模型提取2048维空间特征；3）双SRU++单元构建的时序模型（含8头注意力）；4）余弦相似度驱动的聚类加权分类。实验采用三阶段验证：先在3500段UCF-Crime数据上对比ResNet-50与ViT特征提取效果，再通过AUC-PRC曲线评估多分类性能，最终用滑动窗口测试全视频检测能力。

主要研究发现包括：

1. 特征提取模块比较显示，ViT较ResNet-50在测试集准确率提升1.49%（95.14% vs 93.65%），证明自注意力机制更擅长捕捉暴力场景中的全局异常特征。

2. SRU++在NVIDIA P100 GPU上实现1.38ms/批次的推理速度，较LSTM提速近10倍，验证了其元素级递归(elementwise recurrence)设计的优越性。

3. 聚类加权机制使多分类AUC达0.96，其中"爆炸"类PRC曲线下面积最高达0.98，表明特征相似性度量能有效增强类间区分度。

4. 可视化分析显示，模型对持续2秒以上的异常事件检测成功率达92%，但对<1秒的瞬时异常（如枪击闪光）存在23%的漏检率。

研究团队在讨论中坦承两大局限：ViT在边缘设备上的高延迟（CPU环境13.7秒/视频），以及预训练模型对火焰等特殊异常的特征提取不足。建议的未来方向包括C++重写推理引擎、在线增量学习等。这项工作的核心价值在于：首次将ViT的全局感知能力与SRU++的实时性相结合，为机场、地铁等场景的智能监控提供了可落地的技术方案，其提出的"分段-聚类"协同框架也为长视频时序分析树立了新范式。特别值得注意的是，该方法在保持state-of-the-art性能的同时，模型体积经int8量化后仅26.01MB，具备较强的边缘部署潜力。