弱教師あり設定におけるクリップレベル監視異常検知のためのコンパクトVLMのベンチマーク

概要: CCTV の安全監視は、異常検知器が弱教師付きであっても、クリップレベルの信頼できる精度とクリップごとの待機時間を予測可能に組み合わせることを要求します。 本研究は、この領域の実用的な検出器として、コンパクトなビジョン-ランゲージモデル（VLM）を検討します。 統一された評価プロトコルは、前処理、プロンプト付与、データセットの分割、指標、および実行時設定を標準化し、パラメータ効率的に適応したコンパクトVLMを、トレーニング不要のVLMパイプラインおよび弱教師ありのベースラインと比較します。 評価は、検出の品質と効率を同時に定量化するため、精度、適合率、再現率、F1、ROC-AUC、およびクリップあたりの平均待機時間に渡ります。 パラメータ効率的な適応により、コンパクトVLMは既存のアプローチと同等、場合によってはそれを上回る性能を達成しつつ、クリップあたりの待機時間も競争力を維持します。 適応はさらにプロンプト感度を低減し、共有プロトコル下でのプロンプトレジームの間でより一貫した挙動を生み出します。 これらの結果は、パラメータ効率的なファインチューニングが、透明で一貫した実験設定の中で、信頼できるクリップレベルの異常検知器としてコンパクトVLMを機能させ、精度と効率の有利なトレードオフを生み出すことを示しています。