弱教師あり動画異常検知のための感度と整合性のデカップリング学習

要旨: 最近、弱教師ありの動画異常検知手法は、共同最適化のための統一フレームワークを採用することにより、顕著な進歩を遂げています。しかし、このパラダイムは基本的な感度と安定性のトレードオフにより制限されており、過渡的な異常と長期的な異常を検出する際の相反する目的が、断片化された予測や過度に平滑化された応答を招くことがあります。この制限に対処するため、我々は DeSC という新しい Decoupled Sensitivity-Consistency（分離感度-一貫性）フレームワークを提案します。これは、異なる最適化戦略を用いて2つの専門的なストリームを訓練します。時間的感度ストリームは高周波の急激な変化を捉えるために積極的な最適化戦略を採用します。一方、セマンティック一貫性ストリームは長期的な整合性を維持し、ノイズを低減する堅牢な制約を適用します。それらの補完的な長所は、共同推論機構を介して結合され、個々の偏りを低減し、バランスの取れた予測を生み出します。広範な実験により、DeSCが新たな最先端の性能を確立することを示しており、UCF-Crimeで89.37%のAUC（+1.29%）およびXD-Violenceで87.18%のAP（+2.22%）を達成しています。コードは https://github.com/imzht/DeSC で入手可能です。