限定された教師あり学習によるクロスドメインビデオ異常検知

科学分野:

• コンピュータビジョン
• 機械学習
• 人工知能

背景:

• ビデオ異常検知（VAD）は、監視映像における異常なイベントを特定するために重要です。
• 現実世界のVADには、トレーニングデータで十分に表現されていないシナリオを処理する効果的なクロスドメインパフォーマンスが必要です。
• 現在の教師なしクロスドメインVAD法は、パフォーマンスに限界があります。

研究 の 目的:

• クロスドメインVADのための新しい弱教師ありフレームワークを開発すること。
• 費用対効果の高い弱教師あり学習と外部のラベルなしデータを活用して、クロスドメインVADのパフォーマンスを向上させること。
• 既存の教師なしクロスドメインVADアプローチの制限に対処すること。

主な方法:

• VADにおけるクロスドメイン学習（CDL）のための弱教師ありフレームワークを導入しました。
• トレーニング中に外部のラベルなしデータを含めました。
• 外部データから予測バイアスを推定し、予測された不確実性を使用して適応的に最小化しました。

主要な成果:

• 提案されたCDLフレームワークは、クロスドメインVADのパフォーマンスを大幅に向上させました。
• UCF-Crimeデータセットで平均19.6%の絶対的な改善を達成しました。
• XD-Violenceデータセットで平均12.87%の絶対的な改善を達成し、最先端の方法を上回りました。

結論:

• 外部データを使用した弱教師ありクロスドメイン学習は、VADのための有望なアプローチを提供します。
• 提案された方法は、現実世界のクロスドメインアプリケーションのためにVADモデルを効果的に強化します。
• クロスドメイン評価において、既存の最先端技術よりも大幅なパフォーマンス向上を示しました。