적응형 인간 중심 비디오 이상 감지: 포괄적인 프레임워크와 새로운 벤치마크

사람 중심의 비디오 이상 감지(Human-centric Video Anomaly Detection, VAD)는 정상적인 행동에서 벗어난 사람의 행동을 식별하는 것을 목표로 합니다. 그 핵심은 다양한 사람의 행동의 복잡성, 이상 사례의 희소성, 그리고 윤리적 제약과 같은 실질적인 도전 과제를 직면하고 있습니다. 이러한 도전 과제들은 고품질 데이터셋에 대한 접근을 제한하며, 지속 학습을 지원하는 데이터셋과 프레임워크의 필요성을 강조합니다. 적응형 사람 중심 VAD로 나아가기 위해, 우리는 개인 정보 보호를 강화한 비디오 이상 감지(Human-centric privacy-enhanced Video Anomaly Detection, HuVAD) 데이터셋과 새로운 비지도 지속적 이상 학습(Unsupervised Continual Anomaly Learning, UCAL) 프레임워크를 소개합니다. UCAL은 점진적 학습을 가능하게 하여 모델이 시간이 지남에 따라 적응할 수 있게 하며, 전통적인 훈련과 실제 배포 사이의 간극을 메우는 역할을 합니다. HuVAD는 개인 정보 보호를 우선시하여 익명화된 주석을 제공하며, 실내/실외 7개 장면을 포함하여 이전 데이터셋보다 5배 이상 많은 자세 주석 프레임을 제공합니다. 우리의 표준 및 지속 벤치마크는 포괄적인 평가 척도 집합을 활용하여 UCAL 강화 모델이 82.14%의 경우에서 우수한 성능을 달성함을 입증하며, 새로운 최고 수준(SOTA) 기술을 설정하였습니다. 데이터셋은 https://github.com/TeCSAR-UNCC/HuVAD에서 접근할 수 있습니다.