그래프 컨볼루션 라벨 노이즈 클리너: 이상 탐지용 플러그 앤 플레이 액션 분류기 훈련

이전 연구에서는 약한 라벨 하의 비디오 이상 탐지를 일반적인 다중 인스턴스 학습 문제로 정식화하였습니다. 본 논문에서는 새로운 관점을 제공합니다. 즉, 노이즈가 있는 라벨 하의 지도 학습 과제로 접근하였습니다. 이러한 시각에서, 라벨 노이즈를 제거하는 한, 완전히 지도된 행동 분류기를 약하게 지도된 이상 탐지에 직접 적용할 수 있으며, 이들 발달된 분류기의 최대 장점을 활용할 수 있습니다. 이를 위해 우리는 그래프 컨볼루션 네트워크를 설계하여 노이즈가 있는 라벨을 교정하였습니다. 우리 네트워크는 특성 유사성과 시간적 일관성을 기반으로 고신뢰도 조각(snippet)에서 저신뢰도 조각으로 감독 신호를 전파합니다. 이러한 방식으로 네트워크는 행동 분류기에 대해 청소된 감독을 제공할 수 있습니다. 테스트 단계에서는 행동 분류기로부터 조각별 예측만 얻으면 되며, 추가적인 후처리 없이 가능합니다. 3개의 데이터셋과 2종류의 행동 분류기를 사용한 광범위한 실험은 우리의 방법론의 효과성을 입증하였습니다. 특히, UCF-Crime 데이터셋에서 프레임 단위 AUC 점수 82.12%를 달성하였습니다.