Apprentissage représentationnel holistique pour la détection d'anomalies de trajectoire multitâches

La détection d'anomalies dans les vidéos consiste à identifier des événements anormaux au sein de séquences vidéo. Outre le signal visuel, la détection d'anomalies dans les vidéos a également été abordée à l'aide de séquences de squelettes. Nous proposons une représentation holistique des trajectoires de squelette afin d'apprendre les mouvements attendus à travers différents segments temporels. Notre approche utilise un apprentissage multitâche pour reconstruire tout segment temporel continu non observé, permettant ainsi d'extrapoler des segments passés ou futurs ainsi que d'interpoler les segments intermédiaires. Nous mettons en œuvre un modèle encodage-décodage basé sur l'attention, fonctionnant de manière end-to-end. Celui-ci encode les trajectoires temporellement occluses, apprend conjointement des représentations latentes des segments occlus, et reconstruit les trajectoires en s'appuyant sur les mouvements attendus à travers différents segments temporels. Des expériences étendues sur trois jeux de données de détection d'anomalies vidéo basés sur les trajectoires de squelette démontrent les avantages et l'efficacité de notre méthode, qui atteint des résultats de pointe en détection d'anomalies dans les trajectoires de squelette.