초록
비디오 이상 탐지(Video anomaly detection)는 비디오 내 이상 사건을 인식하는 문제를 다룹니다. 시각 신호 외에도, 뼈대(sequence) 시계열을 활용한 비디오 이상 탐지도 최근 주목받고 있습니다. 본 연구에서는 시간에 따라 다른 구간에서의 예상 운동을 학습하기 위해 뼈대 궤적의 포괄적 표현을 제안합니다. 제안한 방법은 다중 작업 학습(multitask learning)을 활용하여 궤적의 어떤 연속적인 미관측 시간 구간도 재구성할 수 있도록 하여, 과거 또는 미래 구간을 외삽하거나 그 사이의 구간을 보간할 수 있습니다. 우리는 엔드 투 엔드(end-to-end) 주의 기반 인코더-디코더 구조를 사용하여 시간적으로 가려진 궤적을 인코딩하고, 가려진 구간의 잠재 표현을 함께 학습한 후, 다양한 시간 구간 간의 예상 운동 기반으로 궤적을 재구성합니다. 뼈대 시계열 기반 비디오 이상 탐지에 대한 세 가지 데이터셋에서 실시한 광범위한 실험 결과는 제안된 방법이 최신 기술 대비 우수한 성능을 보이며, 뼈대 궤적 내 이상 탐지에서 뛰어난 효과를 입증하였습니다.