초록
우리는 비디오 시퀀스에서 이상 이벤트를 감지하는 문제, 즉 이상 검출 문제를 다룹니다. 컨볼루션 신경망(CNNs)을 기반으로 하는 이상 검출 방법은 일반적으로 입력 비디오 프레임을 재구성하는 등의 대리 작업을 활용하여, 훈련 과정에서 이상 샘플을 보지 않고도 정상성을 설명하는 모델을 학습하고, 테스트 시에 재구성 오차를 사용하여 이상의 정도를 측정합니다. 이러한 접근 방식의 주요 단점은 정상 패턴의 다양성을 명시적으로 고려하지 않는다는 점과, CNNs의 강력한 표현 능력이 이상 비디오 프레임까지 재구성할 수 있게 한다는 것입니다. 이를 해결하기 위해, 우리는 정상 패턴의 다양성을 명시적으로 고려하면서 CNNs의 표현 능력을 줄이는 비지도 학습 접근 방식을 제안합니다. 이를 위해 메모리 모듈과 새로운 업데이트 방식을 사용하여 메모리 내 항목들이 정상 데이터의 원형 패턴을 기록하도록 합니다. 또한 메모리를 학습하기 위한 새로운 특징 밀집성 및 분리성 손실 함수를 제시하여, 메모리 항목과 정상 데이터에서 깊게 학습된 특징들의 판별력을 높입니다. 표준 벤치마크에서 수행된 실험 결과는 우리의 접근 방식이 효과적이고 효율적이며, 기존 최신 연구보다 우수함을 입증하였습니다.