U-netスタイルに基づく教師なしビデオ異常検出モデルは良好な検出効果を持っていますが、一般的な畳み込み演算は固有の局所的特性を使用しているため、U-Netスタイルのエンコーダーはグローバルな文脈情報を効果的に抽出できず、単純なスキップ接続では効果的な特徴情報を得られません。使用されているL₂損失関数はピクセルレベルの差異のみを考慮しており、画像の構造的特徴を捉えることができません。これに対して、混合畳み込みとマルチスケール注意機構を組み合わせたビデオ異常検出アルゴリズムが提案され、構造的類似性損失関数（SSIM）を加えてモデルを最適化しています。具体的には、エンコーダーの最後の層に混合畳み込みモジュールを追加し、空間的および位置的特徴を混合してグローバルな文脈情報を抽出します。エンコーダーとデコーダー間のスキップ接続にはマルチスケール注意モジュールを追加し、モデルがより価値のある特徴を抽出し、効果的なスキップ接続を実現できるようにします。パラメータ制約付きの構造的類似性損失関数をL₂損失関数と重み付けして使用し、モデルをより正確に最適化します。実験結果は、提案アルゴリズムがUCSD-Ped2およびCUHK Avenueの公開データセットでそれぞれ96.7%と86.1%のAUC指標を達成し、改良前のモデルと比較してそれぞれ1.6%と1.4%の向上を示し、提案モデルの有効性を証明しています。

文脈情報;スキップ接続;混合畳み込み;マルチスケール注意;構造的類似性