プライバシー保護型ビデオ異常検知のための、モーションセマンティクス誘導正規化フロー

要旨: 身体化された知覚システムが、インタラクティブなマルチメディアアプリケーションにおいてデジタルと物理の領域をますます橋渡しするようになってきたことで、物理環境における人間の行動を理解するためのプライバシー保護型アプローチの必要性が極めて重要になっています。動画の異常検出は、そのような身体化マルチメディアシステムにおける、インテリジェントな監視および法医学的分析のための重要な課題です。骨格ベースのアプローチは、アイデンティティや顔の特徴などの機微な視覚属性を捨て去り、人の姿勢表現という抽象化された情報を通じて物理世界の情報を処理することで、プライバシー保護を実現する代替手段として登場してきました。しかし、既存の骨格ベース手法は、離散的な意味プリミティブと細粒度の運動学的詳細から構成される人間の活動の階層的性質を捉えることができず、連続的な運動軌跡を単一の枠組みでモデル化することが主になっています。その結果、異常が異なる抽象化レベルで現れた場合に弁別性が低下します。そこで本研究では、骨格ベースのVADを階層的な運動セマンティクスとしてモデリングする Motion Semantics Guided Normalizing Flow (MSG-Flow) を提案します。これは、ベクトル量子化された変分オートエンコーダを用いて連続的な運動を解釈可能なプリミティブへ離散化し、意味レベルの時系列依存関係をモデル化する自己回帰型Transformerを用い、詳細レベルの姿勢のバリエーションを捉える条件付き正規化フローを用います。ベンチマーク（HR-ShanghaiTech & HR-UBnormal）に対する大規模な実験により、MSG-Flowがそれぞれ88.1%および75.8%のAUCで先端（SOTA）性能を達成することを示します。