تعلم متعدد الحالات غير المنحاز للكشف عن الشذوذ في الفيديو تحت الإشراف الضعيف

يعد الكشف عن الشذوذ في الفيديو تحت الإشراف الضعيف (WSVAD) تحديًا لأن التصنيف الثنائي للشذوذ يُعطى فقط على مستوى الفيديو، ولكن المخرجات تتطلب توقعات على مستوى الأجزاء. لذا، فإن تعلم متعدد الحالات (MIL) سائد في WSVAD. ومع ذلك، يُعرف MIL بأنه يعاني من العديد من الإنذارات الكاذبة لأن كاشف الأجزاء على مستوى الأجزاء يميل بسهولة نحو الأجزاء الشاذة ذات السياق البسيط، ويختلط مع normality بنفس الانحياز، ويفوت الشذوذ بنمط مختلف. لهذا السبب، نقترح إطار عمل جديد لـ MIL: MIL غير المنحاز (UMIL)، لتعلم ميزات الشذوذ غير المنحازة التي تحسن WSVAD. في كل تكرار تدريب لـ MIL، نستخدم الكاشف الحالي لتقسيم العينات إلى مجموعتين مع انحيازات سياقية مختلفة: الأجزاء الشاذة/العادية الأكثر ثقة والبقية الغامضة. ثم، من خلال البحث عن الميزات الثابتة عبر المجموعتين، يمكننا إزالة الانحيازات السياقية المتغيرة. تُظهر التجارب الواسعة على المعايير UCF-Crime وTAD فعالية UMIL لدينا. يتم توفير الكود الخاص بنا على https://github.com/ktr-hubrt/UMIL.