주파수 기반 다중 수준 인간 행동 이상 감지 모델링 정규화 흐름 사용

우리는 인간 행동 이상 감지(HAAD)의 과제를 소개합니다. 이는 사전에 결정된 정상 범주에 따라 비지도 학습으로 이상적인 동작을 식별하는 것을 목표로 합니다. 주로 영상에서 비정상적인 사건에 초점을 맞춘 이전의 인간 관련 이상 감지 작업과 비교할 때, HAAD는 의미론적으로 이상한 인간 행동을 인식하기 위해 특정 행동 레이블을 학습하는 것입니다. 이 작업을 해결하기 위해 우리는 샘플 가능성이 효과적으로 이상을 나타내는 정규화 흐름(NF) 기반 감지 프레임워크를 제안합니다. 행동 이상이 특정 신체 부위에서 자주 발생하기 때문에, 전체 신체 행동 특징 학습과 함께 신체 하위 집합을 더 세밀하게 모델링하기 위해 추가 인코딩 스트림을 프레임워크에 통합합니다. 따라서 우리의 프레임워크는 전역과 지역적인 동작 이상을 함께 발견하기 위해 다중 수준으로 설계되었습니다. 또한, 기록 중 잠재적으로 불안정한 데이터에 대한 인식을 보여주기 위해, 데이터 불안정성을 완화하기 위해 행동 샘플을 시간 영역에서 주파수 영역으로 변환하는 불연속 코사인 변환을 사용합니다. 두 개의 인간 행동 데이터 세트에 대한 광범위한 실험 결과가 우리의 방법이 HAAD 작업에 대해 최신 인간 활동 AD 접근 방식을 적용하여 형성된 기준선보다 우수하다는 것을 보여줍니다.