Détection d'événements anormaux dans les vidéos

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.