arXiv:2511.10866v1 Announce Type: new 
Abstract: This paper proposes a Short-Window Sliding Learning framework for real-time violence detection in CCTV footages. Unlike conventional long-video training approaches, the proposed method divides videos into 1-2 second clips and applies Large Language Model (LLM)-based auto-caption labeling to construct fine-grained datasets. Each short clip fully utilizes all frames to preserve temporal continuity, enabling precise recognition of rapid violent events. Experiments demonstrate that the proposed method achieves 95.25\% accuracy on RWF-2000 and significantly improves performance on long videos (UCF-Crime: 83.25\%), confirming its strong generalization and real-time applicability in intelligent surveillance systems.

تقدم هذه الورقة إطار التعلم بالانزلاق قصير النوافذ للكشف عن العنف في الوقت الحقيقي من لقطات كاميرات المراقبة. على عكس الأساليب التقليدية التي تعتمد على تدريب الفيديوهات الطويلة، تقسم الطريقة المقترحة الفيديوهات إلى مقاطع تتراوح مدتها بين 1-2 ثانية وتطبق تسمية تلقائية قائمة على نموذج اللغة الكبير (LLM) لبناء مجموعات بيانات دقيقة. تظهر التجارب أن الطريقة المقترحة تحقق دقة تصل إلى 95.25% على مجموعة بيانات RWF-2000 وتحسن الأداء بشكل كبير على الفيديوهات الطويلة (UCF-Crime: 83.25%)، مما يؤكد قدرتها على التعميم القوي وقابليتها للتطبيق في أنظمة المراقبة الذكية.

El artículo presenta un marco de Aprendizaje por Deslizamiento de Ventana Corta diseñado para la detección de violencia en tiempo real en grabaciones de CCTV. Este enfoque innovador segmenta los videos en clips de 1 a 2 segundos, utilizando etiquetado automático basado en Modelos de Lenguaje Grande (LLM) para crear conjuntos de datos detallados. El método logra una notable precisión del 95.25% en el conjunto de datos RWF-2000 y mejora el rendimiento en videos más largos, confirmando su efectividad y aplicabilidad en sistemas de vigilancia inteligente.

Cet article présente un cadre d'apprentissage par glissement à courte fenêtre conçu pour la détection de la violence en temps réel dans les séquences de vidéosurveillance. Cette approche innovante segmente les vidéos en clips de 1 à 2 secondes, utilisant un auto-encodage basé sur un modèle de langage large (LLM) pour créer des ensembles de données détaillés. La méthode atteint une précision remarquable de 95,25 % sur le jeu de données RWF-2000 et améliore les performances sur des vidéos plus longues, confirmant son efficacité et son applicabilité dans les systèmes de surveillance intelligents.

The paper presents a Short-Window Sliding Learning framework designed for real-time violence detection in CCTV footage. This innovative approach segments videos into 1-2 second clips, utilizing Large Language Model (LLM)-based auto-captioning to create detailed datasets. The method achieves a remarkable 95.25% accuracy on the RWF-2000 dataset and improves performance on longer videos, confirming its effectiveness and applicability in intelligent surveillance systems.

Short-Window Sliding Learning for Real-Time Violence Detection via LLM-based Auto-Labeling

arXiv:2510.21060v2 Announce Type: replace 
Abstract: Policy optimization (PO) is a cornerstone of modern reinforcement learning (RL), with diverse applications spanning robotics, healthcare, and large language model training. The increasing deployment of PO in sensitive domains, however, raises significant privacy concerns. In this paper, we initiate a theoretical study of differentially private policy optimization, focusing explicitly on its sample complexity. We first formalize an appropriate definition of differential privacy (DP) tailored to PO, addressing the inherent challenges arising from on-policy learning dynamics and the subtlety involved in defining the unit of privacy. We then systematically analyze the sample complexity of widely-used PO algorithms, including policy gradient (PG), natural policy gradient (NPG) and more, under DP constraints and various settings, via a unified framework. Our theoretical results demonstrate that privacy costs can often manifest as lower-order terms in the sample complexity, while also highlighting subtle yet important observations in private PO settings. These offer valuable practical insights for privacy-preserving PO algorithms.

تم نشر دراسة حديثة حول تحسين السياسات بشكل مختلف (DPPO) تركز على تعقيد العينة في تحسين السياسات (PO) في التعلم المعزز (RL). تتناول هذه الدراسة المخاوف المتعلقة بالخصوصية في التطبيقات الحساسة مثل الروبوتات والرعاية الصحية من خلال صياغة تعريف للخصوصية المختلفة يتناسب مع PO وتحليل تعقيد العينة لعدة خوارزميات PO تحت قيود DP.

Se ha publicado un estudio reciente sobre la optimización de políticas diferencialmente privadas (DPPO), centrado en la complejidad de muestra de la optimización de políticas (PO) en el aprendizaje por refuerzo (RL). Esta investigación aborda las preocupaciones de privacidad en aplicaciones sensibles como la robótica y la atención médica al formalizar una definición de privacidad diferencial adaptada a la PO y analizar la complejidad de muestra de varios algoritmos de PO bajo restricciones de DP.

Une étude récente sur l'optimisation de politiques différemment privées (DPPO) a été publiée, se concentrant sur la complexité d'échantillonnage de l'optimisation de politiques (PO) dans l'apprentissage par renforcement (RL). Cette recherche aborde les préoccupations en matière de confidentialité dans des applications sensibles telles que la robotique et les soins de santé en formalisant une définition de la confidentialité différentielle adaptée à la PO et en analysant la complexité d'échantillonnage de divers algorithmes de PO sous des contraintes de DP.

A recent study on differentially private policy optimization (DPPO) has been published, focusing on the sample complexity of policy optimization (PO) in reinforcement learning (RL). This research addresses privacy concerns in sensitive applications such as robotics and healthcare by formalizing a definition of differential privacy tailored to PO and analyzing the sample complexity of various PO algorithms under DP constraints.

Short-Window Sliding Learning for Real-Time Violence Detection via LLM-based Auto-Labeling

Was this article worth reading? Share it

LucidQuery AI

LangWatch

Videotok

Video Toolkit

VideoDigest

LCW

Ready to build your own newsroom?