• 목록

[일시]
2026.08.18

[세미나 주제]
Adaptive Calibration for Reliable Video Anomaly Detection

[발표자]
박소영

[요약]
이번 발표에서는 실제 환경의 Video Anomlaly Detectoin(VAD)에서 발생하는 domain shift에 따른 anomaly score와 threshold 변화 문제를 다루고 이를 해결하기 위한 ALFred와 RPC 논문을 소개하였다. 카메라나 촬영 환경이 달라지면 정상 데이터의 anomaly score 분포도 변할 수 있기 때문에 새로운 환경에 맞게 score와 threshold를 보정하는 과정이 중요하다.

첫번쨰 논문인 ALFred는 Human in the Loop과 Active Learning을 이용해 target domain의 데이터를 지속적으로 반영하면서 VAD 모델과 EER threshold를 함께 업데이트하는 방법이다. pseudo-labelrhk human feedback을 이용해 target validation / treaining data를 구성하면 AL Light를 통해 사람이 확인해야 하는 데이터의 양도 줄인다.

두번째 논문인 RPC는 기존 pose flow VAD 모델을 재학습하지 않고 normal prototype과 pose reliability를 이용해 기존 anomaly score를 보정하는 post hoc calibration 방법이다. 정상 latent feature로 여러 Prototype을 구성하고 테스트 feature와 prototype 거리 및 keypoint confidence를 활용하여 anomaly ranking을 개선한다.

두 논문은 모두 실제 환경에서 VAD의 신뢰성을 높이는 것을 목표로 하지만 ALFred는 모델과 threshold의 지속적인 환경 적응에 초점을 두고 RPC는 기존 모델의 anomaly score 보정에 초점을 둔다는 차이가 있다.

[Q&A]
Q : 첫 번째 논문에서 Active Learning Validation Set을 Normal과 Anomaly 비율 50:50으로 구성한다고 했는데, 실제로 항상 이 비율을 맞출 수 있는 구조인지 궁금합니다. 예를 들어 Human-in-the-Loop 과정에서 TP가 100개처럼 한쪽 클래스의 데이터가 과도하게 많은 경우에는 Validation Set을 어떻게 구성하는지 궁금합니다.
A : EER threshold 계산을 위해 Normal과 Anomaly의 수를 맞춰 구성하는 방식으로 TP가 더 많이 존재하는 경우에는 일부 sample을 선택하여 비율을 맞추게 됩니다. 다만 한쪽 class의 sample이 부족한 경우에 대한 sampling 방법은 논문에서 별도로 제시하지 않았습니다.

Q : 두 번째 논문에서 Final RPC Anomaly Score를 계산할 때 reliability gate를 통해 prototype 정보의 반영 정도를 조절하는데, 별도로 α라는 hyperparameter를 두어 prototype term의 가중치를 다시 조절하는 이유가 무엇인지 궁금합니다.
A : α와 gate는 서로 다른 역할을 하는 값입니다. α는 prototype deviation을 기존 likelihood score에 전체적으로 어느 정도 반영할지를 조절하는 hyperparameter 이고 gate는 각 test sample의 keypoint confidence에 따라 해당 prototype 정보를 얼마나 신뢰할지를 동적으로 조절하는 역할입니다. 따라서 gate가 존재하더라도 prototype branch 자체의 전체적인 영향력을 조절하기 위해 α가 별도로 사용됩니다.