Core Concepts
AEの再構築能力を制限する新しい潜在制約ロスを導入して、通常のみトレーニングデータを使用して異常検出モデルを開発します。
Abstract
異常検出は稀な異常事象の発生により難しい問題であり、通常クラスだけがトレーニングデータとして使用されます。
AEは通常データから正規表現を抽出するために一般的に使用されますが、実際の異常では訓練されていないため、テスト時には異常なデータをうまく再構築できないことが期待されます。
既存の再構築ロスに新しい潜在制約ロスを追加することで、AEの再構築能力を制限します。
提案手法はAEの再構築能力を制限し、良好な異常検出モデルにつながることが示されました。
導入
異常事象の稀少性からOCC問題としてアプローチされる。
AEは通常データから正規表現をエンコードするために一般的に使用される。
方法論
AEが正規データだけを使用して訓練されているため、理想的には潜在特徴は正規表現だけであるべきです。
潜在特徴空間が成長しすぎる可能性があるため、新しい制約ロスを追加してこの問題を解決します。
実験結果
Ped2, Avenue, ShanghaiTechの3つのビデオ異常ベンチマークデータセットで評価が行われました。
提案手法はAEの再建能力を制限し、良好な異常入力歪み能力向上効果が示されました。
Stats
AEは通常クラスだけからエンコードされた特徴表現Fj,i ∈ RT'×C' を取ります。
提案手法では2つのタイプの収縮ロス(式3および式4)が提案されています。
Quotes
"我々はAEの再建能力を制限する新しい収縮ロスを提案します。"
"提案手法はAEの再建能力を制限し、良好な異常入力歪み能力向上効果が示されました。"