フレームからイベントへ：ヒューマン中心のビデオ異常検知における評価の見直し

Abstract

姿勢（pose）ベースのビデオ異常検出（VAD）は、そのプライバシー保護性と環境変動への頑健性から、大きな注目を集めてきました。しかし、従来のフレーム単位の評価ではビデオを孤立したフレームの集合として扱っており、本質的に、異常が実世界でどのように現れ、どのように対処されるかと整合していません。運用上の監視システムにおいて重要なのは、個々のフレームをフラグ付けすることではなく、識別可能な開始時刻と継続時間を持つ連続的な時間的エピソードである、首尾一貫した異常事象の信頼性ある検出・位置特定・報告です。フレーム単位の指標はこの区別に鈍感であり、その結果、イベントレベルのアラートという実行可能な警報を必要とするいかなる導入においても、モデルの性能を体系的に過大評価してしまいます。本研究では、VADにおける事象中心（event-centric）的な視点への転換を提案します。まず、SHT[19]、CHAD[6]、NWPUC[4]、HuVAD[25] を含む広く使われているVADベンチマークを監査し、それらの事象構造を特徴づけます。次に、時間的事象の位置特定のための2つの戦略として、階層的ガウス平滑化と適応的二値化を用いるスコア洗練（score-refinement）パイプライン、ならびに事象レベルの検出を直接生成するエンドツーエンドのデュアルブランチモデルを導入します。最後に、tIoUベースの事象マッチングやマルチ閾値F1評価を含む、Temporal Action Localization の指標に適応することで、VADに対する初の事象ベース評価基準を確立します。実験結果は、大きな性能差を定量化します。すべてのSoTAモデルが NWPUC[4] においてフレーム単位のAUC-ROCを52%以上達成している一方で、最小の tIoU=0.2 でさえ事象レベルの位置特定精度は10%未満にとどまり、全閾値にわたる平均の事象レベルF1はわずか0.11でした。本研究のコードベースは https://github.com/TeCSAR-UNCC/EventCentric-VAD で公開されています。