일관성 기반 자기지도 학습을 통한 시계열 이상 탐지

이 연구는 약한 감독 아래에서 이상 탐지(Weakly Supervised Anomaly Detection) 문제를 다룬다. 여기서 예측 모델은 학습 중에 정상 예제뿐 아니라 일부 레이블링된 이상 예제도 함께 학습할 수 있다. 특히 본 연구는 비디오 스트림 내에서 이상 행동의 위치를 정확히 파악하는 문제에 초점을 맞추고 있다. 이는 매우 도전적인 상황이며, 학습 예제는 프레임 수준의 레이블이 아니라 비디오 수준의 레이블만 제공되기 때문이다. 최근 여러 연구들이 이러한 문제를 해결하기 위해 다양한 정규화 항(regularization terms)을 제안하였으며, 예를 들어 약하게 학습된 프레임 수준의 이상 점수에 대해 희소성(sparsity) 및 매끄러움(smoothness) 제약 조건을 강제하는 방식이다. 본 연구에서는 최근 자기지도 학습(self-supervised learning) 분야의 발전에서 영감을 얻어, 동일한 비디오 시퀀스에 대한 다양한 증강(augmentation)에 대해 모델이 동일한 점수를 출력하도록 유도한다. 우리는 이러한 일치성(alignment)을 강제함으로써 XD-Violence 데이터셋에서 모델의 성능이 향상됨을 실험적으로 입증하였다.