Core Concepts
실제 세계 환경에서 비디오 이상 탐지 모델의 적응성과 효율성을 평가하기 위한 온라인 학습 프레임워크를 제안하고 있다.
Abstract
이 연구는 실제 세계 환경에서 비디오 이상 탐지 모델의 적응성과 효율성을 평가하기 위한 온라인 학습 프레임워크를 제안한다.
기존 비디오 이상 탐지 연구는 통제된 실험 환경에 초점을 맞추어 왔으며, 실제 세계 환경의 복잡성과 변동성을 충분히 반영하지 못했다.
제안된 온라인 학습 프레임워크는 새로운 환경에서 지속적으로 모델을 업데이트하여 실제 세계 문제를 반영하고 모델의 실시간 적응 능력을 평가한다.
세 가지 최신 포즈 기반 이상 탐지 모델(GEPC, TSGAD, STG-NF)을 대상으로 실험을 수행했다.
실험 결과, 가장 어려운 조건에서도 온라인 학습 방식을 통해 오프라인 학습 대비 최대 89.39%의 성능을 유지할 수 있었다.
이는 실제 세계 환경에서 비디오 이상 탐지 모델의 적응성과 실용성을 높이는 데 기여할 것으로 기대된다.
Stats
실험에 사용된 ShanghaiTech 데이터셋에는 총 295,495개의 포즈 정보가 포함되어 있다.
CHAD 데이터셋에는 총 922,034개의 포즈 정보가 포함되어 있으며, 4개의 카메라 뷰에서 각각 132,304개, 249,493개, 281,163개, 259,074개의 포즈 정보가 수집되었다.
Quotes
"실제 세계 환경에서 비디오 이상 탐지 모델의 적응성과 효율성을 평가하기 위한 온라인 학습 프레임워크를 제안한다."
"실험 결과, 가장 어려운 조건에서도 온라인 학습 방식을 통해 오프라인 학습 대비 최대 89.39%의 성능을 유지할 수 있었다."