주변을 둘러보며 이상 현상 탐지하기: 컨텍스트-모션 관계 학습을 통한 약한 감독 기반 이상 탐지

약한 감독을 이용한 비디오 이상 탐지는 비디오 수준의 레이블을 사용하여 프레임 수준의 이상을 탐지하는 작업이다. 단일 백본 브랜치를 활용할 때 약한 레이블의 제한된 감독 정보를 바탕으로 클래스 대표 특징을 탐색하는 것은 어렵다. 또한 실제 환경에서는 정상과 비정상 사이의 경계가 모호하며 상황에 따라 달라질 수 있다. 예를 들어, 달리는 사람의 동작이라도 주변 환경이 운동장인지 도로인지에 따라 이상 여부가 달라질 수 있다. 따라서 본 연구의 목적은 단일 브랜치로부터 클래스 특징 간의 상대적 간격을 넓힘으로써 구분력 있는 특징을 추출하는 것이다. 제안하는 Class-Activate Feature Learning (CLAV)에서는 클래스에 따라 암묵적으로 활성화되는 가중치에 따라 특징을 추출하고, 이후 상대적 거리 학습을 통해 특징 간 간격을 확대한다. 또한, 복잡하고 다양한 시나리오에서 이상을 탐지하기 위해 맥락과 운동 간의 관계가 중요하므로, 시간적 종속성이나 운동 정보만을 사용하는 것이 아니라, 주변 환경의 외관과 운동 간의 관계를 모델링하는 Context--Motion Interrelation Module (CoMo)를 제안한다. 제안된 방법은 대규모 실세계 데이터셋을 포함한 네 가지 벤치마크에서 최고 성능(SOTA)을 달성하였으며, 정성적 분석 및 일반화 능력을 통해 관계 정보의 중요성을 입증하였다.