최근 몇 년간 많은 연구가 비디오에서 이전에 보지 못한 이상 징후를 찾는 문제에 주목하고 있습니다. 그러나 대부분의 연구는 보안 카메라에서 촬영된 감시 비디오에서의 이상 프레임 탐지를 중심으로 이루어져 왔습니다. 한편, 기계적 행동이 이상하게 나타나는 비디오에서의 이상 탐지(Anomaly Detection, AD)는 상대적으로 소홀히 다루어져 왔습니다. 이러한 비디오에서의 이상 탐지는 학술적 및 실용적 측면 모두에서 중요한 의미를 가지며, 제조, 유지보수 및 실제 환경에서의 고장 자동 탐지를 가능하게 할 수 있습니다.다양한 접근 방식이 이러한 이상 징후를 탐지하는 데 얼마나 효과적인지를 평가하기 위해, 우리는 두 가지 간단한 베이스라인 접근 방식을 평가합니다: (i) 시간 축 집합 이미지 AD 기술. (ii) 비디오 분류를 위한 사전 훈련된 특징으로 표현된 비디오의 밀도 추정.이러한 방법들의 개발은 다양한 가능한 접근 방식을 평가할 수 있는 새로운 벤치마크가 필요함을 시사합니다. 우리는 물리적으로 이상한 궤도 또는 운동(Physical Anomalous Trajectory or Motion, PHANTOM) 데이터셋을 소개합니다. 이 데이터셋은 여섯 가지 다른 비디오 클래스로 구성되어 있으며, 각 클래스는 정상 비디오와 이상 비디오로 나뉩니다. 클래스들은 표시되는 현상, 정상 클래스의 다양성, 그리고 비디오 내의 이상 유형에 따라 차이가 있습니다. 또한 우리는 더욱 어려운 벤치마크를 제안하는데, 이 벤치마크에서는 매우 다양한 장면에서 이상 활동을 찾아내야 합니다.