Thèse Année : 2025

Abnormal events detection in videos

Détection d'événements anormaux dans les vidéos

Résumé

The detection of abnormal events in videos is a challenging task due to the wide variety of possible anomalies, the limited availability of labeled anomaly data for model training, and the contextual nature of normality. Moreover, normal and abnormal data can exhibit significant intra-class variability, often making their distinction difficult. An additional challenge lies in the lack of explainability in deep learning-based anomaly detection methods which, although effective, often remain opaque. These factors make anomaly detection in videos an open research problem. To address the imbalance between the abundance of normal data and the scarcity of anomalous data, video anomaly detection is usually approached using the "One-Class" learning paradigm. In this approach, models learn a distribution of normal data and identify anomalies as outliers relative to this learned distribution. In this thesis, we introduce approaches to better represent the diversity of normal data. Additionally, we propose a method that not only detects anomalies but also provides explanations for them. Finally, we present new metrics to evaluate the explainability performance of anomaly detection models.

La détection d'événements anormaux dans les vidéos constitue une tâche complexe en raison de la grande variété des anomalies possibles, du nombre limité de données d'anomalies étiquetées disponibles pour l'entraînement des modèles, ainsi que de la nature contextuelle de la normalité. De surcroît, les données normales et anormales peuvent présenter une forte variabilité intra-classe, rendant leur distinction souvent difficile. Un défi supplémentaire réside dans le manque d'explicabilité des méthodes de détection d'anomalies basées sur l'apprentissage profond qui, bien que performantes, demeurent souvent opaques. Ces facteurs font de la détection d'anomalies dans les vidéos un problème de recherche ouvert. Pour traiter le déséquilibre entre l'abondance de données normales et la rareté de données anormales, la détection des anomalies dans les vidéos est souvent abordée à l'aide du paradigme d'apprentissage « One-Class ». Dans cette approche, les modèles apprennent une distribution des données normales et identifient les anomalies comme des outliers par rapport à cette distribution apprise. Dans cette thèse, nous introduisons des approches pour mieux représenter la diversité des données normales. De plus, nous proposons une approche qui permet à la fois de détecter les anomalies et d'en fournir des explications. Enfin, nous présentons de nouvelles métriques permettant d'évaluer la performance explicative des modèles de détection d'anomalies.

Fichier principal
Vignette du fichier
144799_NAJI_2025_diffusion.pdf (18.35 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05533830 , version 1 (03-03-2026)

Licence

Identifiants

  • HAL Id : tel-05533830 , version 1

Citer

Yassine Naji. Abnormal events detection in videos. Artificial Intelligence [cs.AI]. Université Paris-Saclay, 2025. English. ⟨NNT : 2025UPASG008⟩. ⟨tel-05533830⟩
378 Consultations
53 Téléchargements

Partager

  • More