用于无监督视频异常检测的双空间归一化流

基于摘要分析。本文研究无监督视频异常检测，重点是骨架动作中与正常运动差异较小、难以区分的异常。作者提出 Dual-Space Normalizing Flow（DSNF），通过结合欧氏与双曲几何建模姿态局部细节和动作层级关系，并以自适应加权损失增强判别性特征的学习。 其核心模块 Dual-Space Parallel Graph Convolutional Network（DSPGCN）并行利用两类几何表示：欧氏空间用于捕捉局部关节动态及姿态细节，双曲空间用于表达动作间的层级和复杂关系。作者认为，现有欧氏空间 NF 方法对运动学依赖和长期姿态演化的表达受限。配套的 Adaptive Weighted Approximation Mass（AWAM）损失动态调整权重，对双空间中判别性较低的区域施加更强约束，引导模型关注双曲空间中的关键关系特征；具体损失公式、空间间交互及其与可逆流的连接方式尚未验证。 作者报告，在公开数据集上的多种视频异常检测场景中，该方法表现出有效性与鲁棒性；摘要未提供数据集名称、划分、指标、数值或对照结果。训练数据中正常与异常样本的使用方式、实验协议、消融及统计信息尚未验证，不能据此判断双曲表示与 AWAM 各自的增益。 平台推测（待验证）：可迁移的假设是，若 EEG 的通道或功能连接图确实包含稳定的层级结构，双空间表示可能补充单一欧氏图模型的关系表达。原方法依赖骨架关节及动作关系结构，而 EEG 通道关系并不等同于运动学拓扑，因此图构建、层级假设与异常评分均需改造。低信噪比、跨被试连接差异、通道配置变化及小数据可能使双曲结构拟合不稳定。可先在固定被试内划分与相同预处理下，对比欧氏 NF 与双空间 NF 的正常 EEG／异常片段区分能力，并分别控制 AWAM 的使用，以检验几何表示是否带来独立收益。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。