基于多粒度时空表征学习的多尺度视频异常检测

基于摘要分析。本文研究视频异常检测中局部小尺度异常易被背景噪声掩盖、粗粒度表征难以区分细微异常与正常模式的问题，提出利用视频连续性进行多粒度时空表征学习的方法。主要研究对象是视频中的外观、运动及异常空间尺度，而非 EEG 或 BCI。 方法包含连续性判断、非连续位置定位和缺失帧估计三个代理任务，用于粗粒度与细粒度特征学习。其中，缺失帧估计不采用 RGB 空间重建，而被表述为特征空间的对比学习任务，意在学习更具判别性的表征。摘要未给出具体正负样本构造、损失形式、尺度划分或模型结构，这些内容尚未验证。 作者报告，在四个数据集上的实验优于所比较的当时最先进方法，尤其是在包含小尺度异常的场景中；但摘要未列出数据集名称、指标、分数、划分方式及对照配置，因此无法判断增益大小或跨协议可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，时间连续性代理任务与特征空间对比目标或可用于 EEG 自监督预训练，探索短时局部变化被整体表征稀释的问题。可复用的是代理任务思路，需将视频帧与空间区域改造为 EEG 时间片段及通道组，并重新定义连续性、局部性和正负样本。低信噪比、伪迹、跨被试差异、通道布局变化及小数据规模，均可能使模型学到采集特征而非任务相关信号。一个可证伪的小实验是在固定编码器与训练预算下，对比上述代理任务和掩码重建预训练，采用被试隔离的 Cross-subject 下游评估，检验是否存在稳定增益。已有 EEG 相关工作尚未检索确认。