Ce papier présente une nouvelle méthode de détection d’anomalies dans les systèmes automatisés soumis à des contraintes temporelles et computationnelles strictes, tels que la conduite autonome, offrant une efficacité sans précédent. À mesure que des systèmes comme la conduite autonome gagnent en popularité, garantir leur sécurité devient plus crucial que jamais. Par conséquent, ce travail se concentre sur la détection rapide et efficace de diverses anomalies dans ces systèmes, dans le but d’en améliorer la sécurité et la performance. De nombreux systèmes de détection ont été développés avec un grand succès dans des contextes spatiaux ; toutefois, des progrès significatifs restent à accomplir en ce qui concerne le contexte temporel. Bien qu’un vaste corpus de travaux ait été consacré à cette tâche, les recherches portant sur l’efficacité des modèles et leur capacité à être appliqués à des scénarios nécessitant une inférence en temps réel — par exemple la conduite autonome, où les anomalies doivent être détectées dès qu’elles apparaissent dans le champ de vision — restent limitées. Pour combler cet écart, nous proposons STEAD (Spatio-Temporal Efficient Anomaly Detection), dont le noyau repose sur des convolutions (2+1)D et une attention linéaire Performer, garantissant une efficacité computationnelle élevée sans compromettre la performance. Lors des évaluations sur le benchmark UCF-Crime, notre modèle de base atteint un AUC de 91,34 %, surpassant ainsi l’état de l’art précédent. Quant à notre version accélérée, elle obtient un AUC de 88,87 %, tout en réduisant de 99,70 % le nombre de paramètres, tout en dépassant également l’état de l’art antérieur. Le code source et les modèles pré-entraînés sont rendus accessibles au public à l’adresse suivante : https://github.com/agao8/STEAD