グラフ畳み込みラベルノイズクリーナー：異常検出用のプラグアンドプレイアクション分類器の訓練

弱ラベルの下でのビデオ異常検出は、従来の研究では典型的なマルチインスタンス学習問題として定式化されてきました。本論文では、新たな視点を提供し、すなわちノイジーなラベルの下での教師あり学習課題として捉え直します。このような観点から、ラベルノイズを除去することができれば、完全に教師ありの行動分類器を弱教師ありの異常検出に直接適用し、これらの発展した分類器を最大限に活用することが可能となります。この目的のために、グラフ畳み込みネットワークを設計してノイジーなラベルを訂正します。特徴量の類似性と時間的一貫性に基づいて、当ネットワークは高信頼度のスニペットから低信頼度のスニペットへ監督信号を伝播させます。これにより、ネットワークは行動分類器に対してクリーニングされた監督情報を提供することができます。テストフェーズでは、行動分類器からスニペット単位の予測を得るだけで十分であり、追加の後処理は必要ありません。3つの異なる規模のデータセットと2種類の行動分類器を使用した広範な実験で、当手法の有効性が示されています。特に、UCF-CrimeにおいてフレームレベルでのAUCスコア82.12%を達成しています。