要約
動画異常検出（VAD）は、動画シーケンス内の予期せぬ行動や活動を局所化することを目的としています。現在の主流となるVAD技術は、すべての訓練データが正常であると仮定する「一クラス」設定に基づくものと、ビデオレベルでの正常／異常ラベルのみを必要とする「弱教師あり」設定の2種類に大別されます。これらの2つのVAD設定を統一的に扱うため、本研究では、辞書ベース表現と自己教師学習の相乗効果を活用して特徴空間レベルで異常の概念をモデル化する自己教師型スパース表現（S3R）フレームワークを提案します。学習された辞書を用いて、S3Rはスニペットレベルの特徴を再構成し、正常イベントの特徴をフィルタリングする2つの連携モジュール（en-Normalおよびde-Normal）を実現します。また、自己教師学習技術により、擬似正常／異常サンプルを生成し、異常検出器の訓練が可能になります。広範な実験により、S3Rが一クラスおよび弱教師ありVADの両タスクにおいて、代表的なベンチマークデータセットで新たな最良性能を達成することを実証しました。本研究のコードは、https://github.com/louisYen/S3R にて公開されています。