Scene-Aware Context Reasoning for Unsupervised Abnormal Event Detection in Videos

はじめに

本研究は，ACMMM 2020 に採択されたものであり，本記事では，技術的な内容についてまとめる．

Sun, C., Jia, Y., Hu, Y., & Wu, Y. (2020, October). Scene-aware context reasoning for unsupervised abnormal event detection in videos. In Proceedings of the 28th ACM international conference on multimedia (pp. 184-192).

概要

ビデオにおける異常イベントの検出において，文脈情報を取り入れることは重要である．例えば，道路の交通状況において，渋滞中に車が止まるのは正常だが，通常の場合は異常である．従来手法では，文脈情報の利用にあたり，事前に手動で定義された情報に依存していたが，この場合．事前情報の完全性に制限されてしまう．そこで本論文では，データから自動的に文脈情報を取得することで，異常イベントの検出を強化する新しいアプローチが提案されている．

技術的なポイント

Spatio-Temporal Context Graph (STC Graph)

文脈情報は，STC Graphにエンコードされる．そのために以下の流れをとる．

1. 各フレームから，Region Proposal Network¹ を用いて物体認識を行う
2. Mean-field²³を用いてグラフ推論を行い，検出した物体をノード，物体間の位置関係をエッジとして表現し，SC Graphを作成する
3. SC Graphを，Structural-RNNに入力することで，STC Graphを得る

Unsupervised Learning via Scene Clustering

SC Graphを新たに構築した上図に表されるGraph-based Deep Gaussian Mixture Model (GMM) に入力し，その出力を用いてクラスタリングを行い，正常クラスターと異常クラスターに分けることで，異常イベントの判定を行う．
GMMでは，SC Graphに対してGCNによる埋め込みを行ったのち， Average Pooling Layer (AP) と，MLNを通すことでベクトル表現を得る．

本研究の重要性

セマンティックギャップの克服

STC Graphを構築することで，物体と物体間の時間的・空間的な関係をグラフ表現に符号化し，文脈情報を明示的にモデル化することができる．さらに，GMMの開発により，教師無し学習で効果的に正常/異常イベントを識別し，STC Graphを推論することを可能にしている．

パフォーマンスの向上

複数のデータセットを用いて，提案手法が既存の最新の教師なし手法を上回り，最新の教師あり手法と同等であることが実証されている．上図では，Sultani et al. の手法は教師あり学習を用いた手法であり，それと同等のかつ，他の手法を上回っている性能があることが確認できる．

1. Faster R-CNN: Towards real-time object detection with region proposal networks ↩

2. StagNet: An attentive semantic RNN for group activity and individual action recognition ↩

3. Scene graph generation by iterative message passing ↩