论文
推理引导定位：通过多模态提升视频异常检测 大语言模型
Reasoning-Guided Grounding: Elevating Video Anomaly Detection through Multimodal Large Language Models
摘要
视频异常检测 (VAD) 传统上被定义为二元分类或异常值检测，既不提供可解释的推理，也不提供异常事件的精确空间定位。虽然视觉语言模型 (VLM) 提供了丰富的场景理解，但它们在可靠的空间基础上遇到了困难 - 当要求定位对象时，通常会产生幻觉或几何无效的边界框。我们提出了 VANGUARD（通过推理和基础来理解视频异常），这是一个在单个 VLM 中统一异常分类、空间基础和思想链推理的框架。 VANGUARD 引入了一个三阶段课程，逐步分层训练目标：(1) 冻结主干特征上的分类器预热，(2) LoRA 适应的空间基础，以及 (3) 思维链生成。为了克服 VAD 基准中典型的稀疏注释，我们采用了师生注释管道，其中 VLM (Qwen3-VL-4B) 基于 UCA 数据集中提供的手动注释生成结构化的每个子片段推理轨迹。此外，GroundingDINO 还提供边界框监控。在 UCF-Crime 上，VANGUARD 实现了 94% ROC-AUC 和 84% F1，同时产生可解释的思想链解释和异常物体的空间基础 - 以前的 VAD 方法所缺乏的功能。消融证实，分阶段训练优于整体优化，并且结构化推理充当隐式正则化器，比仅分类的 微调 产生更平衡的预测。到 XD-Violence 和 ShanghaiTech 的零样本迁移展示了无需目标域适应的跨域泛化。