ANOMALY DETECTION IN VIDEO SURVEILLANCE

Abstract

Pour compléter mon Master en Modèles Intelligents et Décision, une méthode d'apprentissage profond a été développée pour la détection d'anomalies vidéo en utilisant un autoencodeur spatial combiné avec des réseaux de mémoire à long court terme convolutifs (ConvLSTM). Dans un cadre unifié, cette approche capture à la fois les caractéristiques spatiales et temporelles pour détecter les anomalies basées sur une perte de reconstruction significative. Les réseaux ConvLSTM apprennent les dépendances temporelles dans les données vidéo, tandis qu'une méthode de traitement vidéo par clips améliore l'efficacité de l'entraînement. Cette combinaison permet de détecter des schémas et des dépendances inhabituels dans les séquences vidéo, la rendant efficace pour identifier les anomalies à travers diverses sources vidéo.