이상치를 재구성하지 않는 학습

비디오 이상 탐지 문제는 이상 예시의 가용성이 제한적이므로 일반적으로 일종의 분류(One-Class Classification, OCC) 문제로 간주된다. 이 문제를 해결하기 위해 전형적으로 정상 데이터로만 구성된 훈련 세트를 사용하여 오토인코더(AE)를 훈련시키며, 입력 데이터를 정상 데이터로 재구성하도록 만든다. 테스트 단계에서는 정상 데이터는 잘 재구성되지만, 이상 데이터는 잘 재구성되지 않기를 기대한다. 그러나 여러 연구에서 정상 데이터만으로 훈련된 AE가 여전히 이상 데이터도 재구성할 수 있다는 점이 지적되었으며, 이는 이상 탐지 성능 저하로 이어진다. 이러한 문제를 완화하기 위해, 본 논문에서는 입력이 정상이든 이상이든 관계없이 오직 정상 데이터만 재구성하도록 AE를 훈련시키는 새로운 방법론을 제안한다. OCC 환경에서는 실제 이상 데이터가 존재하지 않기 때문에, 정상 데이터를 변형하여 비정상 데이터 분포를 시뮬레이션하는 가상 이상 데이터(pseudo anomalies)를 활용하여 훈련을 지원한다. 또한, 가상 이상 데이터를 생성하기 위한 두 가지 방법—패치 기반 및 프레임 건너뛰기 기반—을 제안한다. 세 가지 도전적인 비디오 이상 탐지 데이터셋에 대한 광범위한 실험을 통해 제안한 방법이 기존 오토인코더의 성능을 향상시킴과 동시에 최신 기술 수준(SOTA)의 성능을 달성함을 입증하였다.