إطار تصنيف تكراري ضعيف/تلقائي التعلم للكشف عن الأحداث غير الطبيعية

يظل الكشف عن الأحداث غير الطبيعية في مقاطع المراقبة تحديًا، وقد شكل هذا الموضوع محورًا لعدة أبحاث. وبالنظر إلى أن الأداء المُحرز في أحدث النماذج لا يزال غير مرضٍ، يقدم هذا البحث حلًا مبتكرًا للمشكلة، مع أربع مساهمات رئيسية: 1) استنادًا إلى عمل سولتاني وآخرين، نُقدّم إطارًا تعلّميًا تكراريًا مكوّنًا من خبيرين يعملان ضمن نمطين مختلفين: النمط الضعيف (weak) والنمط المعتمد على التعلّم الذاتي (self-supervised)، حيث يتبادل كلا الخبيرين كميات إضافية من البيانات التعلّمية، ويتم في كل تكرار تصفية الأمثلة الجديدة بواسطة إطار بايزي (Bayesian framework) يدعم مهام التكبير التكراري للبيانات؛ 2) نُقدّم مصطلحًا جديدًا يُضاف إلى دالة الخسارة الأساسية لتوسيع توزيع الدرجات ضمن الفاصل الواحد، وهو أمر بالغ الأهمية لضمان أداء الإطار التكراري؛ 3) نُقترح تجميعًا باستخدام الغابة العشوائية (Random Forest ensemble) يدمج النتائج على مستوى الدرجات للطرق الأفضل أداءً، مما يقلل من معدل الخطأ المتساوي (EER) بنسبة تصل إلى 20% مقارنة بأفضل النماذج الحالية؛ 4) نُعلن عن توفر مجموعة البيانات "UBI-Fights"، التي تم تسميتها بشكل كامل على مستوى الإطارات (frame-level annotated)، ويمكن للمجتمع البحثي استخدامها مجانًا. ويجدر بالإشارة إلى أن الشفرة البرمجية، وتفاصيل بروتوكولات التجارب، ومجموعة البيانات متاحة للجمهور عبر الرابط: http://github.com/DegardinBruno/.