動画中の異常事象を狭義の正常クラスタを使用して検出する

異常イベント検出問題を外れ値検出タスクとして定式化し、k-meansクラスタリングと一クラスサポートベクターマシン（SVM）を基にした二段階のアルゴリズムを提案して外れ値を除去します。特徴量抽出段階では、事前学習されたニューラルネットワークの最終畳み込み層から抽出した深層外観特徴量を使用して、時空間キューブを拡張することを提案します。正常なイベントのみが含まれるトレーニングビデオから運動および外観特徴量を抽出した後、k-meansクラスタリングを適用して異なる種類の正常な運動および外観特徴量を表すクラスタを見つけるための処理を行います。第一段階では、サンプル数が少ないクラスタ（所定の閾値に対して）は主に外れ値を含むと考えられ、これらのクラスタ全体を除去します。第二段階では、各クラスタに対して一クラスSVMモデルを訓練することで、残りのクラスタの境界を縮小します。テストビデオ内の異常イベントを検出するために、各テストサンプルについて分析を行い、訓練済みの一クラスSVMモデルによって提供される最大の正常度スコアに基づいて評価します。これはテストサンプルが正常度のある一つのクラスタに属するという直感に基づいています。もしテストサンプルがどの縮小された正常度クラスタにも適合しない場合、それは異常とラベル付けされます。我々の方法は三つのベンチマークデータセットでいくつかの最先端手法と比較しました。経験的な結果は、我々の異常イベント検出フレームワークがほとんどのケースでより良い結果を得られるだけでなく、単一CPU上でリアルタイムで24フレーム毎秒の速度でテストビデオを処理できることを示しています。