MULDE: 다중 스케일 로그 밀도 추정을 통한 노이즈 제거 점수 일치를 이용한 비디오 이상 감지

우리는 비디오 이상 탐지에 대한 새로운 접근 방식을 제안합니다. 이 방법은 비디오에서 추출된 특징 벡터를 고정된 분포를 가진 랜덤 변수의 실현으로 취급하고, 이 분포를 신경망으로 모델링합니다. 이를 통해 테스트 비디오의 가능성(likelihood)을 추정하고, 가능성 추정치의 임계값(thresholding)을 설정하여 비디오 이상을 탐지할 수 있습니다. 우리는 노이즈 스코어 매칭(denoising score matching) 방법의 변형을 사용하여 비디오 이상 탐지기(video anomaly detector)를 학습시킵니다. 이 방법은 학습 데이터에 노이즈를 주입하여 그 분포를 모델링하는 것을 용이하게 합니다. 하이퍼파라미터 선택을 제거하기 위해, 다양한 노이즈 수준에서 노이즈가 포함된 비디오 특징의 분포를 모델링하고, 서로 다른 노이즈 수준의 모델들이 일치하도록 하는 정규화기(regularizer)를 도입합니다. 테스트 시에는 여러 노이즈 스케일에서 얻은 이상 징후(anomaly indications)들을 가우스 혼합 모델(Gaussian mixture model)로 결합합니다. 우리의 비디오 이상 탐지기를 실행하면 최소한의 지연만 발생합니다. 추론 과정은 단순히 특징을 추출하고, 얕은 신경망과 가우스 혼합 모델을 통한 전방 전파(forward propagation)만 필요하기 때문입니다. 다섯 개의 인기 있는 비디오 이상 탐지 벤치마크에서 수행한 실험 결과는 객체 중심(object-centric) 및 프레임 중심(frame-centric) 설정 모두에서 최신 기술(state-of-the-art) 성능을 보여주었습니다.