多時間尺度軌跡予測による異常人間活動検出

異常活動検出の古典的なアプローチは、訓練データから正常な活動の表現を学習し、その学習した表現を使用してテスト時に異常な活動を検出することである。一般的に、このアプローチに基づく方法は固定された時間スケールで動作する - たとえば、単一の時間瞬間（フレームベース）または一定の時間間隔（ビデオクリップベース）。しかし、人的な異常活動は異なる時間スケールで発生する可能性がある。例えば、監視シナリオではジャンプは短期的な異常であり、徘徊は長期的な異常である。単一かつ事前に定義された時間スケールだけでは、異なる時間間隔で発生する広範な異常を捉えることは不十分である。本論文では、異なる時間スケールでの時系列動態を捉えるための多様な時間スケールモデルを提案する。特に、提案モデルは与えられた入力ポーズ軌道に対して異なる時間スケールで未来と過去の予測を行う。このモデルは複数層構造となっており、中間層が異なる時間スケールに対応する予測を生成する役割を持つ。これらの予測は組み合わせられることで異常活動を検出する。さらに、研究用に483,566フレームの注釈付きデータセットも紹介する。データセットは以下のURLから利用可能となる: https://rodrigues-royston.github.io/Multi-timescale_Trajectory_Prediction/ 実験結果は、提案モデルが異なる時間間隔での異常を捉えられるだけでなく、既存の手法よりも優れた性能を示すことを示している。