要約
自動異常検出は、公共安全などに広く利用されているビデオ監視システムにおいて重要なタスクである。本システムでは、空間的特徴と時間的特徴を効果的に活用するため、統一されたネットワーク内に空間ブランチと時間ブランチを採用している。ネットワークは、深層畳み込みニューラルネットワーク（CNN）をベースとするエンコーダと、マルチステージのチャネルアテンションに基づくデコーダから構成されるリミニン・オートエンコーダ構造を採用しており、教師なし学習により訓練されている。時間的特徴の活用には時間シフト法（temporal shift method）を用い、文脈依存性はチャネルアテンションモジュールによって抽出している。システムの性能は、3つの標準ベンチマークデータセットを用いて評価された。その結果、本ネットワークは最先端手法を上回り、UCSD Ped2ではAUC（曲線下面積）97.4％、CUHK Avenueでは86.7％、ShanghaiTechデータセットでは73.6％を達成した。