초록
감시 영상에서 비정상 사건을 탐지하는 것은 여전히 도전 과제로 남아 있으며, 다양한 연구 작업의 대상이 되어왔다. 최신 기술의 성능이 여전히 만족스럽지 않음을 관찰한 본 논문은 이 문제에 대해 새로운 해결책을 제안하며, 네 가지 주요 기여를 한다. 1) Sultani 등에 의한 기존 연구를 바탕으로, 약한 학습(weakly supervised) 및 자기지도 학습(self-supervised) 파라다임에서 각각 작동하는 두 명의 전문가로 구성된 반복 학습 프레임워크를 제안한다. 이 프레임워크는 서로 추가적인 학습 데이터를 제공하며, 각 반복 단계에서 새로운 인스턴스는 베이지안 프레임워크를 통해 필터링되며, 이는 반복적 데이터 증강 작업을 지원한다. 2) 기준 손실 함수에 새로운 항을 추가하여 단위 구간 내에서 점수 분포를 더욱 균일하게 만드는 새로운 개념을 도입한다. 이는 반복적 학습 프레임워크의 성능 향상에 결정적인 역할을 한다. 3) 최고 성능을 보인 여러 방법들을 점수 수준에서 융합하는 랜덤 포레스트 앙상블을 제안하며, 기존 최고 성능 기법 대비 오류 등급(EER, Equal Error Rate)을 약 20% 감소시킨다. 4) 프레임 단위로 완전히 주석화된 "UBI-Fights" 데이터셋의 공개를 선언하며, 연구 공동체가 자유롭게 활용할 수 있도록 한다. 코드, 실험 프로토콜 세부 사항 및 데이터셋은 모두 공개되어 있으며, http://github.com/DegardinBruno/ 에서 확인 가능하다.