VideoPatchCore : Une Méthode Efficace pour Mémoriser la Normalité dans la Détection d'Anomalies Vidéo

La détection d'anomalies dans les vidéos (VAD) est une tâche cruciale dans l'analyse vidéo et la surveillance au sein de la vision par ordinateur. Actuellement, le VAD attire de plus en plus d'attention grâce aux techniques de mémoire qui stockent les caractéristiques des images normales. Les caractéristiques stockées sont utilisées pour la reconstruction des images, permettant d'identifier une anomalie lorsqu'il existe une différence significative entre les images reconstruites et les images d'entrée. Cependant, cette approche rencontre plusieurs défis dus à l'optimisation simultanée requise pour la mémoire et le modèle encodeur-décodeur. Ces défis incluent une augmentation de la difficulté d'optimisation, une complexité accrue de mise en œuvre et des variations de performance selon la taille de la mémoire. Pour relever ces défis, nous proposons une méthode de mémoire efficace pour le VAD, appelée VideoPatchCore. Inspirée par PatchCore, notre approche introduit une structure qui privilégie l'optimisation de la mémoire et configure trois types de mémoire adaptés aux caractéristiques des données vidéo. Cette méthode permet d'efficacement surmonter les limites des méthodes existantes basées sur la mémoire, atteignant des performances comparables aux méthodes les plus avancées actuellement disponibles. De plus, notre méthode ne nécessite aucune formation et est simple à mettre en œuvre, rendant ainsi les tâches de VAD plus accessibles. Notre code est disponible en ligne sur github.com/SkiddieAhn/Paper-VideoPatchCore.