Détection d'événements anormaux dans les vidéos

Abnormal events detection in videos

• Auteur / Autrice : Yassine Naji
• Direction : Michèle Gouiffès, Aleksandr Setkov, Romaric Audigier, Angélique Loesch
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 03/02/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire des Sciences du Numérique - Laboratoire d'intégration des systèmes et des technologies (Gif-sur-Yvette, Essonne ; 2001-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Laure Tougne rodet
• Jury : Examinateurs / Examinatrices : Anthony Fleury, Sylvie Chambon, Jean-Michel Morel
• Jury : Rapporteurs / Rapporteuses : Anthony Fleury, Sylvie Chambon

Mots clés

Mots clés contrôlés

Intelligence artificielle explicable

Vidéos

Temps réel (informatique)

Détection des anomalies (informatique)

Mots clés libres

Détection d'anomalies

One class

Explicabilité

Vidéos

Anomaly detection

One class

Explainability

Videos

Résumé

La détection d'événements anormaux dans les vidéos constitue une tâche complexe en raison de la grande variété des anomalies possibles, du nombre limité de données d'anomalies étiquetées disponibles pour l'entraînement des modèles, ainsi que de la nature contextuelle de la normalité. De surcroît, les données normales et anormales peuvent présenter une forte variabilité intra-classe, rendant leur distinction souvent difficile. Un défi supplémentaire réside dans le manque d'explicabilité des méthodes de détection d'anomalies basées sur l'apprentissage profond qui, bien que performantes, demeurent souvent opaques. Ces facteurs font de la détection d'anomalies dans les vidéos un problème de recherche ouvert. Pour traiter le déséquilibre entre l'abondance de données normales et la rareté de données anormales, la détection des anomalies dans les vidéos est souvent abordée à l'aide du paradigme d'apprentissage « One-Class ». Dans cette approche, les modèles apprennent une distribution des données normales et identifient les anomalies comme des outliers par rapport à cette distribution apprise. Dans cette thèse, nous introduisons des approches pour mieux représenter la diversité des données normales. De plus, nous proposons une approche qui permet à la fois de détecter les anomalies et d'en fournir des explications. Enfin, nous présentons de nouvelles métriques permettant d'évaluer la performance explicative des modèles de détection d'anomalies.

The detection of abnormal events in videos is a challenging task due to the wide variety of possible anomalies, the limited availability of labeled anomaly data for model training, and the contextual nature of normality. Moreover, normal and abnormal data can exhibit significant intra-class variability, often making their distinction difficult. An additional challenge lies in the lack of explainability in deep learning-based anomaly detection methods which, although effective, often remain opaque. These factors make anomaly detection in videos an open research problem. To address the imbalance between the abundance of normal data and the scarcity of anomalous data, video anomaly detection is usually approached using the ''One-Class'' learning paradigm. In this approach, models learn a distribution of normal data and identify anomalies as outliers relative to this learned distribution. In this thesis, we introduce approaches to better represent the diversity of normal data. Additionally, we propose a method that not only detects anomalies but also provides explanations for them. Finally, we present new metrics to evaluate the explainability performance of anomaly detection models.