MULDE: تقدير الكثافة اللوغاريتمية متعدد المقاييس عبر مطابقة التصحيح المُنظف للكشف عن الشذوذ في الفيديو

نقترح نهجًا جديدًا للكشف عن الشذوذ في الفيديو: نتعامل مع المتجهات المميزة المستخرجة من الفيديوهات ك realizaions لمتغير عشوائي ذو توزيع ثابت ونمذج هذا التوزيع باستخدام شبكة عصبية. هذا يسمح لنا بتقدير احتمالية الفيديوهات الاختبارية وكشف الشذوذ في الفيديو عن طريق تحديد حدود لتقديرات الاحتمال. نقوم بتدريب جهاز الكشف عن الشذوذ في الفيديو باستخدام تعديل لطريقة denoising score matching، وهي طريقة تضيف ضوضاء إلى بيانات التدريب لتسهيل نمذجة توزيعها. للقضاء على اختيار المعلمات الأولية، نمذجنا توزيع ميزات الفيديو الضوضائية عبر نطاق من مستويات الضوضاء وقمنا بتحديد مُعَيَّن (regularizer) يميل إلى مواءمة النماذج لمستويات مختلفة من الضوضاء. أثناء الاختبار، ندمج مؤشرات الشذوذ عند مستويات ضوضاء متعددة باستخدام نموذج خليط غاوسي (Gaussian mixture model). تشغيل جهاز الكشف عن الشذوذ في الفيديو يسبب تأخيرًا بسيطًا فقط حيث يتطلب الاستدلال استخراج الميزات وإرسالها للأمام عبر شبكة عصبية سطحية ونموذج خليط غاوسي. تجاربنا على خمسة مقاييس شائعة لكشف الشذوذ في الفيديو أظهرت أداءً رائدًا، سواء في الإعداد المحور حول الأشياء أو الإعداد المحور حول الإطارات.注释：- "realizations" 一词在阿拉伯语中没有直接对应的术语，因此保留了英文原词并加括号解释。- "Gaussian mixture model" 是一个常见的术语，直接使用其阿拉伯语译法。