クロスモーダル融合と注意機構を用いた弱教師付きビデオ異常検出

最近、弱教師付きビデオ異常検出（Weakly Supervised Video Anomaly Detection: WS-VAD）が、ビデオ内の暴力や露出などの異常イベントをビデオレベルのラベルのみを使用して識別する現代的な研究方向として注目を集めています。しかし、このタスクには大きな課題が含まれており、モダリティ情報の不均衡に対処し、正常な特徴と異常な特徴を一貫して区別することが求められます。本論文では、これらの課題に取り組み、暴力や露出などの異常を正確に検出するための多様性WS-VADフレームワークを提案します。提案されたフレームワーク内では、視覚モダリティに関連して高関連性の音声-視覚特徴を選択し強化する新しい融合機構であるクロスモーダル・フュージョンアダプター（Cross-modal Fusion Adapter: CFA）を導入します。さらに、正常表現と異常表現間の階層的な関係を効果的に捉えるハイパボリック・ローレンツグラフ注意機構（Hyperbolic Lorentzian Graph Attention: HLGAtt）を導入し、特徴分離精度を向上させます。広範な実験を通じて、提案モデルが暴力や露出検出のベンチマークデータセットにおいて最先端の結果を達成することを示しています。