Schwach und teilweise überwachte Lernframeworks für die Anomalieerkennung

Das Hauptziel besteht darin, mehrere Lösungen für die genannten Probleme bereitzustellen, indem auf die Analyse bisheriger State-of-the-Art-Methoden fokussiert und eine umfassende Übersicht präsentiert wird, um die Konzepte zu klären, die bei der Erfassung normaler und abnormaler Muster angewendet werden. Durch die Untersuchung verschiedener Strategien konnten wir neue Ansätze entwickeln, die die Leistung des aktuellen Standes der Technik konsistent verbessern. Darüber hinaus geben wir die Verfügbarkeit eines neuen, großskaligen, weltweit ersten Datensatzes mit vollständiger, frame-basierter Annotation bekannt, der sich auf ein spezifisches Anomalieerkennungsereignis mit großer Vielfalt an Kampfszenarien bezieht und frei von der Forschungsgemeinschaft genutzt werden kann. In Verbindung mit diesem Dokument, das auf ein möglichst geringes Maß an Überwachung abzielt, werden zwei unterschiedliche Ansätze beschrieben: Der erste Ansatz nutzt die jüngste Technik des selbstüberwachten Lernens, um die aufwendige Aufgabe der Annotation zu vermeiden, wobei der Trainingsdatensatz autonom mithilfe eines iterativen Lernframeworks mit zwei unabhängigen Experten beschriftet wird, die sich gegenseitig über ein Bayessches Framework mit Daten versorgen. Der zweite Ansatz erforscht eine neue Methode zum Lernen eines Anomalie-Ranking-Modells im Rahmen des Multiple-Instance-Learning-Paradigmas unter Nutzung schwach beschrifteter Videos, wobei die Trainingslabels auf Video-Ebene erfolgen. Die Experimente wurden an mehreren bekannten Datensätzen durchgeführt, und unsere Lösungen überzeugen deutlich gegenüber dem aktuellen Stand der Technik. Zusätzlich präsentieren wir als Proof-of-Concept-System die Ergebnisse von realweltbasierten Simulationen in verschiedenen Umgebungen, um eine Feldtestung unserer gelernten Modelle durchzuführen.