STEAD: Spatio-zeitlich effiziente Anomalieerkennung für zeit- und rechenzeit-sensitive Anwendungen

Diese Arbeit präsentiert eine neue Methode zur Anomalieerkennung in automatisierten Systemen mit zeit- und rechenzeitkritischen Anforderungen, wie beispielsweise autonomen Fahrzeugen, die sich durch beispiellose Effizienz auszeichnen. Da Systeme wie autonome Fahrzeuge zunehmend an Beliebtheit gewinnen, ist ihre Sicherheit wichtiger denn je geworden. Daher konzentriert sich diese Arbeit darauf, wie verschiedene Anomalien in den genannten Systemen schnell und effektiv erkannt werden können, um deren Sicherheit und Effektivität zu steigern. Zahlreiche Erkennungssysteme wurden bereits mit großem Erfolg im räumlichen Kontext entwickelt; doch bei der Erfassung von zeitlichen Kontexten besteht weiterhin erheblicher Verbesserungsbedarf. Obwohl bereits umfangreiche Forschungsarbeiten zu diesem Thema existieren, gibt es nur wenige Studien, die sich mit der Effizienz von Modellen und deren Anwendbarkeit in Szenarien mit Echtzeit-Inferenz befassen, beispielsweise im Bereich autonomer Fahrzeuge, bei denen Anomalien unmittelbar nach ihrem Erscheinen im Sichtfeld erkannt werden müssen. Um diese Lücke zu schließen, schlagen wir STEAD (Spatio-Temporal Efficient Anomaly Detection) vor, dessen Grundarchitektur auf (2+1)D-Faltungen und Performer-Linear-Attention basiert. Diese Kombination gewährleistet eine hohe rechnerische Effizienz, ohne dabei die Leistungsfähigkeit zu beeinträchtigen. Auf dem UCF-Crime-Benchmark erreicht unser Basismodell eine AUC von 91,34 %, was die bisher beste Leistung übertrifft. Die schnelle Variante erreicht eine AUC von 88,87 %, verfügt jedoch über 99,70 % weniger Parameter und übertrifft ebenfalls die vorherige State-of-the-Art. Der Quellcode sowie die vortrainierten Modelle sind öffentlich unter https://github.com/agao8/STEAD verfügbar.