Cadres d'apprentissage faiblement et partiellement supervisés pour la détection d'anomalies

L'objectif principal consiste à proposer plusieurs solutions aux problèmes mentionnés, en se concentrant sur l'analyse des méthodes de pointe antérieures et en présentant un aperçu exhaustif afin de clarifier les concepts utilisés pour capturer les motifs normaux et anormaux. En explorant différentes stratégies, nous avons pu développer de nouvelles approches qui améliorent de manière cohérente les performances de l'état de l'art. En outre, nous annonçons la mise à disposition d’un nouveau jeu de données à grande échelle, unique en son genre, entièrement annoté au niveau des trames, portant sur un événement spécifique de détection d’anomalies et caractérisé par une grande diversité de scénarios de lutte, pouvant être librement utilisé par la communauté scientifique. Dans le cadre de ce document, visant à nécessiter une supervision minimale, deux propositions distinctes sont décrites : la première méthode exploite la technique récente d’apprentissage auto-supervisé afin d’éviter la tâche fastidieuse d’annotation, où l’ensemble d’apprentissage est étiqueté de manière autonome grâce à un cadre d’apprentissage itératif composé de deux experts indépendants qui s’échangent des données via un cadre bayésien. La deuxième proposition explore une nouvelle méthode pour apprendre un modèle de classement d’anomalies dans le cadre de l’apprentissage par instances multiples, en exploitant des vidéos faiblement étiquetées, où les étiquettes d’apprentissage sont fournies au niveau de la vidéo. Les expérimentations ont été menées sur plusieurs jeux de données bien connus, et nos solutions surpassent de manière solide l’état de l’art. En outre, à titre de système preuve de concept, nous présentons également les résultats obtenus à partir de simulations réelles recueillies dans différents environnements, permettant ainsi un test sur le terrain de nos modèles appris.