要約
ビデオ異常検出は、外観、姿勢、カメラアングル、背景などの多くのパラメータに依存するため、不適切な問題（ill-posed problem）となっています。本研究では、この問題を人間の姿勢の異常検出に絞ることで、外観などの煩雑なパラメータが結果に影響を与えるリスクを低減しました。姿勢のみに焦点を当てる方法は、異なる少数グループに対する偏りも軽減するという副次的な利点があります。私たちのモデルは直接人間の姿勢グラフシーケンスを処理し、非常に軽量（約1Kパラメータ）であり、ポーズ推定が可能な任意の機械上で無視できる追加リソースで動作します。私たちは正規化フロー（normalizing flows）フレームワークにおいて非常にコンパクトな姿勢表現を利用し、これを空間時間的な姿勢データの独自の特性に対応させるために拡張しました。このフレームワークにおける優位性を示しています。アルゴリズムは一般的であり、正常例のみからなる訓練データだけでなく、正常と異常がラベル付けされた監督学習設定も処理できます。私たちは2つの異常検出ベンチマークで最先端の結果を報告しています。すなわち、非監督学習向けのShanghaiTechデータセットと最近の監督学習向けUBnormalデータセットです。