PATT-Net — PyTorch-модель для слабоконтролируемого обнаружения аномальных событий в видео с временным моделированием на базе CLIP, BiLSTM и дилатированных свёрток.
0скачиваний за 30 дней0лайковвеса обновлены26 сен 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Публичные оценки
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
PATT-Net — модель для обнаружения аномалий в видео, разработанная для исследовательских экспериментов и контролируемых абляционных исследований. Архитектура ProtectedTransferVAD использует две ветви с NativeTemporalBackbone: признаки извлекаются из кадров с помощью OpenAI CLIP ViT-L/14 размерности 768, а временная динамика моделируется двунаправленной LSTM и маскированными временными дилатированными свёртками.
Модель предназначена для слабоконтролируемого обнаружения необычных событий в видеопотоках. Временная ветвь предварительно обучалась на PreVAD, затем выполнялась целевая настройка на UCF-Crime. Оценка описана для визуальных признаков с центральным кадрированием и шагом 16; использовались frame-level AUC и AP, а выбор чекпойнта проводился по video AUC на валидации. В README отмечено, что различия P-R невелики и статистически незначимы на пяти запусках.
Репозиторий содержит PyTorch-модель под лицензией MIT. Результаты оценки относятся к описанному протоколу и не гарантируют качество на других наборах видео или сценариях; модель заявлена для исследований, а не как универсальная система видеонаблюдения.
Сценарии применения
обнаружение необычных событий в видеонаблюдении
поиск аномальных фрагментов в видеозаписях
слабоконтролируемая классификация видео по наличию аномалий
исследовательское сравнение методов обнаружения видеоаномалий
оценка влияния предварительного обучения временной ветви
Ограничения
Оценка описана для визуальных признаков с центральным кадрированием и шагом 16 на указанных наборах данных. Различия P-R в эксперименте были небольшими и статистически незначимыми на пяти запусках; качество на других данных не установлено.
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Base Feature Extractor: OpenAI CLIP ViT-L/14 (768-dim)
Temporal Modeling: Bi-directional LSTM with Masked Temporal Dilated Convolutions
Intended Use: Video Anomaly Detection (VAD) research and controlled ablation studies.
Training Data
Pre-training (Temporal Branch): PreVAD dataset (35,279 videos, distinct from XD-Violence).
Target Fine-tuning: UCF-Crime dataset.
Evaluation and Validation
Metric: Frame-level AUC and AP, evaluated via center-crop (stride-16) visual-only features.
Selection Criteria: Best validation video AUC.
Scientific Limits: The P-B contrast represents the whole system effect (branch mechanism + pretraining). Within this matched frozen-branch design, P-R isolates PreVAD rather than random source initialization. The P-R differences are small and not statistically significant across five seeds (AUC exact two-sided sign-flip p = 0.1875).
Ethical Considerations and Licenses
The repository code is provided under the MIT License. Third-party dataset and model terms continue to apply to data-derived artifacts.
Users must comply with the licenses of the underlying third-party datasets (UCF-Crime and PreVAD) and the OpenAI CLIP feature extractor. The repository authors are not responsible for the misuse of these models in surveillance or real-world classification scenarios without appropriate safeguards.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров