Contributions à la détection non supervisée d'anomalies visuelles

Cette thèse traite de la détection d'anomalies visuelles, en particulier appliquée à l'identification non supervisée de défauts en applications d'inspection industrielle. Motivé par les récentes avancées dans le domaine, ce travail présente des contributions (1) à d'évaluation de la localisation des anomalies, (2) à la facilité d'utilisation des modèles via des techniques de post-traitement, et (3) à des améliorations spécifiques à des modèles basés sur les distributions gaussiennes. D'abord, nous présentons AUPIMO, une nouvelle mesure d'évaluation qui s'attaque aux limites des emph{benchmarks} actuels. Elle impose une minimisation stricte des faux positifs sur les échantillons normaux, encourageant ainsi une évaluation plus difficile. Des expériences menées sur 27 ensembles de données et huit modèles de l'état de l'art démontrent qu'AUPIMO fournit une évaluation plus fiable et plus détaillée des performances. Deuxièmement, nous proposons une méthode de sélection non supervisée de seuil et spécifique à l'image pour la localisation des anomalies. Cette méthode évite des biais introduits par les seuils basés sur des statistiques et offre une alternative aux emph{heatmaps} codées en couleur. Troisièmement, nous analysons les modèles basés sur distributions gaussiennes à l'aide d'une nouvelle méthode de réduction de la dimensionnalité. Cette analyse aboutit à des résultats qui remettent en question des notions dominantes dans le domaine, telles que la corrélation entre la variance et la performance en détection d'anomalies. Cette nouvelle méthode de réduction de la dimensionnalité basée sur les sous-espaces, combinée à des anomalies synthétiques, permet d'améliorer les performances de manière consistante. Nous présentons également un outil de visualisation permettant de localiser les anomalies pour les modèles gaussiens conçu pour des images entières. La thèse présente également une amélioration incrémentale d'un modèle de classification à une classe, permettant une utilisation plus efficace des annotations au niveau des pixels et un entrainement plus rapide. Les contributions proposées visent à combler l'écart entre la recherche et les applications du monde réel, en offrant des solutions agnostiques aux modèles pour améliorer l'analyse comparative et la facilité d'utilisation des modèles, ainsi que des améliorations spécifiques aux modèles basés sur les gaussiennes.