Apprentissage continu pour la détection d'anomalies dans les vidéos de surveillance

La détection d’anomalies dans les vidéos de surveillance connaît actuellement un intérêt croissant. Un enjeu majeur dans les applications à haute dimension telles que la surveillance vidéo réside dans l’apprentissage continu. Bien que les approches actuelles de pointe basées sur l’apprentissage profond se montrent efficaces sur les jeux de données publics existants, elles échouent dans un cadre d’apprentissage continu en raison de contraintes computationnelles et de stockage. En outre, la prise de décision en temps réel constitue un facteur crucial mais largement négligé dans ce domaine. Motivés par ces lacunes de recherche, nous proposons une méthode en ligne de détection d’anomalies pour les vidéos de surveillance, fondée sur l’apprentissage par transfert et l’apprentissage continu. Cette approche réduit significativement la complexité d’entraînement et offre un mécanisme permettant d’apprendre continuellement à partir des données récentes, sans subir le phénomène de forgetting catastrophique. L'algorithme proposé exploite la puissance d’extraction de caractéristiques des modèles basés sur les réseaux de neurones pour l’apprentissage par transfert, ainsi que la capacité d’apprentissage continu des méthodes statistiques de détection.