Détection d’anomalies dans les systèmes de monitoring

• Auteur / Autrice : Asma Benkaci
• Direction : layth Sliman
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2023
• Etablissement(s) : Université Paris-Panthéon-Assas
• Ecole(s) doctorale(s) : École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)

Résumé

La détection d’événements anormaux liés à la sécurité des personnes dans les systèmes de Monitoring est une problématique importante dans de nombreux domaines d'application(santé, surveillance). Elle remplace le contrôle humain par un système automatisé qui identifie les événements non conformes aux attentes[1][2]. Il s’agit d'un problème difficile dans le domaine de la vision par ordinateur et la reconnaissance de formes pour de nombreux défis: La rareté et l'hétérogénéité des anomalies. La complexité. Les différents niveaux sémantiques nécessaires à la modélisation des événements (Analyse de bas niveau des arrière-plans et de haut niveau (définir le type d'anomalie: agression, accidents, etc.)). La dépendance: La nature de l'événement (normal/anormal) peut varier selon le contexte. La confidentialité et le bruit[3]. Le temps de latence. La littérature récente est dominée par les méthodes de détection basées sur les réseaux de neurones en raison de leurs performances. Or, ces méthodes sont gourmandes en données. De plus, le modèle formé n'est pas mis à jour en permanence une fois que de nouvelles données sont disponibles. En outre, la prise de décision en ligne est un facteur important mais largement négligé. Objectifs de la thèse: Etudier et évaluer les méthodes existantes. Ensuite, proposer une solution pour résoudre les problèmes identifiés. Enfin, Evaluer la méthode sur des datasets. Références [1]Pang,G.,et al.(2019)."Weakly-supervised Deep Anomaly Detection with Pairwise Relation Learning." [2]Doshi,K.andY.Yilmaz(2020)"Any-Shot Sequential Anomaly Detection in Surveillance Videos." [3]en,JR.,et al.(2021).Deep Video Anomaly Detection:Opportunities and challenges.