Détection de changement dans les vidéos et séquences temporelles d'images

Change detection in video and image time series

• Auteur / Autrice : Xavier Bou hernandez
• Direction : Rafael Grompone von gioi
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Centre de mathématiques et de leurs applications (1990-2019 ; Cachan, Val-de-Marne)
• Partenaire(s) de recherche : Equipe de recherche : Traitement des images et du signal
• Partenaire(s) de recherche : Référent : École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....)

Mots clés

Mots clés libres

Video

Apprentissage profond

Modélisation

Video

Deep learning

Modelling

Résumé

La détection de changement est un problème fondamental de la vision par ordinateur. Cette détection d'une anomalie temporelle, triviale pour les humains, s'avère difficile à automatiser: la supervision traditionnelle n'est pas possible à cause de la généralité du problème. Il n'y aura jamais de base d'entraînement contenant tous les exemples passés et futurs possibles de changement. La méthode doit donc être conçue comme non supervisée et utilisant essentiellement les données 'normales''. Elle devra apprendre continûment pour s'adapter aux nouveautés. L'objectif de la thèse est de développer des méthodes d'apprentissage profond robustes et suffisamment génériques pour les appliquer aussi bien à la détection de changement dans la vidéo que dans des séquences d'images satellitaires. Leur automatisation complète requiert le développement d'une théorie de la décision fixant des seuils statistiquement fondés. Le principal objectif est le développement d'une théorie mathématique et d'une méthode générique et robuste de détection de changement basée sur l'apprentissage ainsi que le cadre théorique assurant le bon respect des contraintes de généralisation et de robustesse.

Change detection is a fundamental problem in computer vision. The detection of a temporal anomaly, trivial for humans, turns out to be difficult to automate: traditional supervision is not possible because of the generality of the problem. There will never be a training ground containing all possible past and future examples of change. The method must therefore be unsupervised and essentially use 'normal' data. It will have to be able to learn continuously to adapt to novelties. The objective of the thesis is to develop robust and sufficiently generic deep learning methods to apply them both to the detection of changes in video and in sequences of satellite images. Their complete automation requires the development of a decision theory setting statistically based thresholds. The main objective is the development of a mathematical theory and a generic and robust method of detection of change based on learning as well as the theoretical framework ensuring the good respect of the constraints of generalization and robustness.