earticle

한국어

이상 행동 탐지는 비정상적인 행동을 취하는 물체를 추적하고 관찰하여 모니터링 또는 감독이 필요 한 분야에서 사용된다. 사람의 지속적인 개입없이 인공지능 알고리즘을 적용하여 자동화된 탐지 시스 템을 구현하기 위해서 광학 흐름 기법을 활용한 시공간적 특이도를 관찰하는 방법이 활용되고 있으며, 정해진 표현 범위가 없는 수많은 이상 행동을 식별하기에는 비지도학습 방법이 적합하기 때문에, 최근 생성적 적대 신경망을 통해 카메라에서 촬영된 동영상 프레임의 시공간적 특징을 분석하는 딥러닝 네 트워크에 대한 연구가 진행되고 있다. 이 중 영상 변환 네트워크는 복원 오류를 줄이기 위해 GAN 손 실과 L1 손실 함수를 최소화하도록 최적화되어 있다. 본 연구에서는 네트워크의 목적 함수를 조정하 여 모델의 정확도를 높이기 위한 실험을 수행하였다. 특히 구조적 유사도를 비교하여 손실을 최소화하 는 SSIM 손실 함수는 두 영상의 유사도를 측정하는 과정에서 많이 활용되고 있으며, 이 함수는 알고 리즘을 통해 계산된 광학 흐름 영상과 생성적 적대 신경망 모델의 생성자가 만들어낸 가짜 광학 흐름 영상의 차이를 계산하는 데 적합하므로 이를 추가하여 학습 후 프레임 수준 성능에서 더 높은 정확도 를 보임을 확인하였다. 그리고 네트워크의 목적 함수를 정의하는 과정에서 SSIM 손실 함수가 모델 훈련의 최적화에 어떻게 기여하는지 분석했다.