バッチノーマル化に基づく弱教師付きビデオ異常検出

弱教師付きビデオ異常検出（WVAD）では、異常なイベントの存在または不存在を示すビデオレベルのラベルのみが利用可能であり、主要な課題は異常発生の時間的注釈における固有の曖昧さに起因します。異常イベントの時間的特徴がしばしば外れ値特性を示すという統計的な洞察に触発され、私たちはバッチ正規化（BatchNorm）をWVADに組み込んだ新しい手法、BN-WVADを提案します。提案されたBN-WVADでは、バッチ正規化の平均ベクトルからの特徴量の乖離（Divergence of Feature from Mean vector: DFM）を信頼性のある異常判定基準として活用し、異常ビデオ内の潜在的な異常スニペットを識別します。このDFM基準は、ノイジーなラベルに敏感な異常分類器の予測を修正するための追加的な異常スコアとしても機能し、異常認識に対してより判別力があり、ラベルノイズに対してより堅牢です。さらに、より多くの異常イベントが発生するビデオからより多くの異常スニペットを選択するためのバッチレベル選択戦略を開発しました。提案されたBN-WVADモデルはUCF-CrimeデータセットでAUC 87.24%、XD-ViolenceデータセットでAP 84.93%という最先端の性能を示しています。私たちのコード実装は https://github.com/cool-xuan/BN-WVAD で公開されています。