论文页面 - O-VAD：通过以对象为中心的跟踪与推理实现工业视频异常检测

来源：https://huggingface.co/papers/2607.18142

摘要

工业视频异常检测（Industrial Video Anomaly Detection, IVAD）旨在识别工业流程中的异常对象和事件，这对于现代制造和质量控制系统至关重要。现有的基于VLM的异常推理方法能够检测通用领域的开放式异常。然而，在工业场景中，由于对象变换复杂、物理规律严格以及流程约束众多，这些方法的性能会下降。为了应对这类交互密集型检测的复杂性，我们提出了一种无需训练、无需领域特定知识的智能体框架，该方法如同人类检验员一样，重点关注对象状态的演变过程。该框架旨在跟踪检测对象在时间上的空间-时间动态及潜在变换，然后基于对象级别的时间状态轨迹进行推理，从而在定位框架中识别出异常对象。我们的方法克服了以往方法的局限性——以往方法要么依赖在正常片段上的重新训练，要么在测试推理时注入领域知识作为上下文。在三个IVAD数据集上的大量实验表明，我们的方法不仅优于前沿的VLM、智能体框架以及在相应数据集上微调的传统VAD方法，还能生成关于异常过程和类型的可解释报告。

查看 arXiv 页面 (https://arxiv.org/abs/2607.18142)
查看 PDF (https://arxiv.org/pdf/2607.18142)
项目页面 (https://o-vad.github.io/)
GitHub2 (https://github.com/o-vad/O-VAD)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.18142)

在你的智能体中获取该论文：

hf papers read 2607.18142

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型0

没有模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2607.18142 即可在本页面建立链接。

引用本文的数据集0

没有数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.18142 即可在本页面建立链接。

引用本文的 Spaces0

没有 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2607.18142 即可在本页面建立链接。

收录本文的收藏集0

没有收藏集收录此论文

添加此论文至一个收藏集 (https://huggingface.co/new-collection) 即可在本页面建立链接。