Cadre itératif de classification faiblement supervisée/auto-supervisée pour la détection d'événements anormaux

La détection d’événements anormaux dans les vidéos de surveillance demeure un défi et a fait l’objet de nombreuses recherches. Observant que les performances actuelles de l’état de l’art restent insatisfaisantes, ce papier propose une nouvelle solution à ce problème, apportant quatre contributions principales : 1) s’appuyant sur le travail de Sultani et al., nous introduisons un cadre d’apprentissage itératif composé de deux experts opérant selon les paradigmes respectivement faiblement supervisés et auto-supervisés, qui mutualisent des quantités supplémentaires de données d’apprentissage ; les nouvelles instances générées à chaque itération sont filtrées par un cadre bayésien, permettant ainsi de soutenir la tâche d’augmentation itérative des données ; 2) nous proposons une nouvelle composante ajoutée à la fonction de perte de base, visant à répartir uniformément les scores dans l’intervalle unité, ce qui est crucial pour le bon fonctionnement du cadre itératif ; 3) nous introduisons un ensemble de forêts aléatoires qui fusionne, au niveau des scores, les méthodes les plus performantes, réduisant ainsi les taux d’erreur d’équivalence (EER) d’environ 20 % par rapport à l’état de l’art ; 4) nous annonçons la mise à disposition du jeu de données « UBI-Fights », entièrement annoté au niveau des trames, disponible librement pour la communauté scientifique. Le code source, les détails des protocoles expérimentaux ainsi que le jeu de données sont accessibles publiquement à l’adresse http://github.com/DegardinBruno/.