Iterativer schwacher/ selbstüberwachter Klassifizierungsrahmen für die Detektion von Abweichungen

Die Erkennung von abnormen Ereignissen in Überwachungsvideos bleibt weiterhin eine Herausforderung und Gegenstand zahlreicher Forschungsarbeiten. Da wir beobachteten, dass die Leistung der aktuellen State-of-the-Art-Methoden weiterhin unzureichend ist, präsentieren wir in diesem Beitrag eine neuartige Lösung mit vier wesentlichen Beiträgen: 1) Aufbauend auf der Arbeit von Sultani et al. stellen wir einen iterativen Lernrahmen vor, der aus zwei Experten besteht, die jeweils im schwach überwachten und selbstüberwachten Paradigma arbeiten und sich gegenseitig zusätzliche Lerndaten liefern; dabei werden die neu generierten Instanzen in jeder Iteration durch einen Bayes’schen Rahmen gefiltert, der die iterative Datenvervollständigung unterstützt; 2) wir führen einen neuen Term in die Baseline-Verlustfunktion ein, der die Score-Verteilung im Einheitsintervall ausweitet, was für die Leistung des iterativen Rahmens entscheidend ist; 3) wir schlagen ein Random Forest-Ensemble vor, das die besten Einzelmethode auf Score-Ebene fusioniert und die EER-Werte im Vergleich zur State-of-the-Art um etwa 20 % senkt; und 4) wir geben die Verfügbarkeit des „UBI-Fights“-Datensatzes bekannt, der vollständig auf Frame-Ebene annotiert ist und frei von der Forschungsgemeinschaft genutzt werden kann. Der Quellcode, detaillierte Informationen zu den experimentellen Protokollen sowie der Datensatz sind öffentlich unter http://github.com/DegardinBruno/ zugänglich.