배치노멀라이제이션 기반 약간 감독된 비디오 이상 탐지

약한 감독 하의 비디오 이상 탐지(WVAD)에서는 비디오 수준의 라벨만 제공되며, 이는 비정상적인 사건의 존재 또는 부재를 나타냅니다. 이러한 환경에서 주요 과제는 비정상적인 발생 시점에 대한 시간적 주석의 본질적인 모호성에서 비롯됩니다. 비정상적인 사건의 시간적 특성이 종종 외부치(outlier) 특성을 보인다는 통계적 인사이트에 착안하여, 우리는 배치 정규화(BatchNorm)를 WVAD에 통합하는 새로운 방법인 BN-WVAD를 제안합니다. 제안된 BN-WVAD에서는 배치 정규화의 평균 벡터로부터의 특징 발산(Divergence of Feature from Mean vector, DFM)을 신뢰할 수 있는 비정상성 기준으로 활용하여 비정상적인 비디오에서 잠재적으로 비정상적인 클립(snippets)을 식별합니다. 제안된 DFM 기준은 또한 이상 인식에 대해 구분력이 있으며, 노이즈 라벨에 더 강건하기 때문에, 노이즈 라벨에 취약한 이상 분류기의 예측을 수정하는 추가적인 이상 점수로 작용합니다. 또한, 더 많은 비정상 사건이 발생하는 비디오에서 더 많은 비정상 클립을 필터링하기 위해 배치 수준 선택 전략(batch-level selection strategy)이 설계되었습니다. 제안된 BN-WVAD 모델은 UCF-Crime 데이터셋에서 AUC 87.24%와 XD-Violence 데이터셋에서 AP 84.93%까지 도달하는 최신 성능을 보여주었습니다. 우리의 코드 구현은 https://github.com/cool-xuan/BN-WVAD 에서 접근 가능합니다.