時間的異常局所化のための整合性に基づく自己教師学習

本研究は、弱教師あり異常検出（Weakly Supervised Anomaly Detection）に取り組んでおり、学習過程において正常例に加えて、少数のラベル付き異常例も利用可能であるという設定を想定している。特に、動画ストリーム内における異常行動の局所化に注目している。これは非常に挑戦的な状況であり、トレーニング例はフレームレベルのラベルではなく、動画レベルのラベル（video-level annotations）のみが与えられるためである。近年の多数の研究では、弱教師学習によって得られたフレームレベルの異常スコアに対してスパース性や滑らかさの制約を課すことで、この課題に対処するためのさまざまな正則化項が提案されている。本研究では、自己教師学習（self-supervised learning）分野の最近の進展に着目し、同一の動画シーケンスに対する異なるオーギュメンテーション（拡張）に対して、モデルが同一のスコアを出力することを要求するアプローチを採用している。実験の結果、このアライメント（一致）を強制することで、XD-Violenceデータセットにおけるモデルの性能が向上することが示された。