Améliorer la détection d'anomalies vidéo avec des pseudo-anomalies

La détection d'Anomalies vidéo, c'est repérer des événements bizarres dans les vidéos. C'est super important dans plein de domaines, comme la sécurité, où ça peut aider à identifier des activités suspectes. Les événements anormaux sont rares et ça peut aller de quelqu'un qui se comporte étrangement à des incidents inattendus comme des accidents ou des crimes. Les déceler, c'est pas facile parce que ça arrive pas souvent, donc c'est dur de rassembler assez d'exemples pour entraîner les modèles.

En gros, on aborde souvent ce problème comme une tâche de classification à une seule classe (OCC). Ça veut dire que le modèle apprend juste à partir des événements normaux et après il doit reconnaître tout ce qui semble différent comme une anomalie. Une méthode courante dans ce domaine, c'est l'autoencodeur (AE). Un autoencodeur, c'est un type de réseau de neurones qui apprend à compresser et reconstruire des données. Un AE est entraîné sur des Données normales, en s'attendant à ce qu'il galère à reconstruire des données anormales, ce qui entraîne une erreur plus élevée pour ces événements.

#Le défi des méthodes traditionnelles

Malgré ces méthodes, les Autoencodeurs échouent souvent à distinguer efficacement les anomalies. Parfois, ils arrivent encore à reconstruire des événements anormaux correctement, ce qui réduit leur capacité à les détecter. Ça arrive parce que les frontières entre ce qui est normal et ce qui ne l'est pas deviennent floues.

Pour résoudre ce problème, les chercheurs cherchent des manières d'améliorer comment les autoencodeurs apprennent à identifier les anomalies. Une approche prometteuse est de limiter la capacité de l'autoencodeur à reconstruire des données qui ne correspondent pas au schéma normal, en utilisant notamment ce qu'on appelle des Pseudo-anomalies.

#Qu'est-ce que les pseudo-anomalies ?

Les pseudo-anomalies ne sont pas de vrais événements anormaux mais des points de données créés artificiellement qui imitent un comportement inhabituel. L'idée, c'est de générer ce genre de données à partir d'événements normaux, ce qui peut aider l'autoencodeur à mieux apprendre les frontières entre le comportement normal et anormal.

En s'entraînant avec des données normales et des pseudo-anomalies, un autoencodeur peut être entraîné à bien fonctionner sur des données normales tout en échouant à reconstruire les pseudo-anomalies. De cette manière, il devient meilleur pour repérer de vraies anomalies lors des tests, puisqu'il apprend ce qu'il doit considérer comme anormal.

#Méthodes pour générer des pseudo-anomalies

Il y a plusieurs manières de créer ces pseudo-anomalies, et chaque méthode a ses avantages :

#1. Sauter des images

Cette technique consiste à prendre une séquence d'images vidéo et à en omettre certaines au hasard. L'idée, c'est que des changements rapides de mouvement peuvent indiquer qu'il se passe quelque chose d'inhabituel. Par exemple, si une personne semble soudainement accélérer, ça pourrait vouloir dire qu'elle fuit quelque chose de dangereux.

En sautant sélectivement des images, on crée une nouvelle séquence qui représente ce mouvement rapide. Ça peut aider le modèle à apprendre à détecter quand quelque chose n'est pas normal.

#2. Répéter des images

Contrairement à sauter des images, cette méthode consiste à prendre la même image plusieurs fois de suite. Ça crée une séquence qui paraît lente par rapport à des mouvements typiques. Dans la vie réelle, des mouvements lents peuvent aussi être suspects, comme quelqu'un qui traîne là où il ne devrait pas.

Répéter des images peut simuler ce genre de comportement inhabituel et fournir à l'autoencodeur des exemples d'entraînement de mouvements anormaux lents.

#3. Patcher avec des données d'intrus

Une autre méthode consiste à prendre des images d'objets ou de personnes inhabituels (d'un ensemble de données "d'intrus") et à les coller dans des images normales. En faisant ça, la séquence vidéo normale est perturbée, reflétant une forme d'anomalie sans avoir besoin de vrais événements anormaux.

Cette approche peut aider le modèle à reconnaître ce qu'il ne devrait pas s'attendre à voir, le rendant plus efficace dans des scénarios réels.

#4. Fusion d'images

Cette méthode combine deux segments différents de vidéos normales pour créer des images hybrides qui contiennent des formes ou des ombres inhabituelles. Le résultat peut sembler bizarre ou étrange par rapport à un comportement normal, ce qui est bénéfique pour enseigner à l'autoencodeur à repérer des anomalies.

#5. Ajouter du bruit

Ajouter du bruit aux images vidéo normales est une autre manière simple de créer des pseudo-anomalies. En ajoutant des fluctuations aléatoires, les données deviennent distordues. Ce manque de clarté peut représenter des événements inhabituels, aidant le modèle à apprendre à reconnaître quand quelque chose ne va pas.

#Entraînement avec des pseudo-anomalies

Pendant l'entraînement, l'autoencodeur reçoit à la fois des données normales et des pseudo-anomalies. L'objectif est de minimiser la Perte de reconstruction (la différence entre les données originales et reconstruites) pour les données normales tout en la maximisant pour les pseudo-anomalies.

Cette approche garantit que lorsque le modèle rencontre de vraies anomalies pendant les tests, il aura probablement du mal à les reconstruire, entraînant une perte de reconstruction plus élevée, qui peut ensuite être utilisée pour les signaler comme des anomalies.

#Tester le modèle

Quand le modèle est testé, il reçoit de vraies séquences vidéo. La perte de reconstruction calculée pendant cette phase aide à déterminer si les données d'entrée sont normales ou pas. Une perte de reconstruction élevée indique que le modèle a identifié quelque chose d'inhabituel, le marquant comme une anomalie.

#Évaluation des performances

Pour évaluer les performances du modèle, les chercheurs utilisent souvent des métriques comme l'aire sous la courbe ROC (AUC). Une valeur AUC plus élevée signifie une meilleure performance pour distinguer les images normales des anormales.

Différents ensembles de données peuvent être utilisés pour tester l'efficacité des mécanismes d'entraînement et la performance des modèles entraînés avec des pseudo-anomalies. Par exemple, des ensembles de données comme Ped2, Avenue et ShanghaiTech contiennent diverses anomalies qui peuvent être utilisées pour établir des références sur les capacités du modèle.

#Résultats et découvertes

Les recherches ont montré que les modèles entraînés avec des pseudo-anomalies surpassent ceux entraînés uniquement sur des données normales. L'ajout de pseudo-anomalies aide le modèle à créer des distinctions plus claires entre les comportements normaux et anormaux.

À travers diverses expériences, il a été démontré que les méthodes de génération de pseudo-anomalies impactent différemment les performances des modèles. Par exemple, utiliser des images sautées pourrait mieux fonctionner dans des ensembles de données où des mouvements soudains sont courants, tandis que d'autres techniques pourraient exceller dans d'autres scénarios.

#Conclusion

La détection d'anomalies vidéo est une tâche difficile à cause de la rareté des vrais événements anormaux. Cependant, en utilisant des pseudo-anomalies, les chercheurs peuvent améliorer l'entraînement de modèles comme les autoencodeurs, les aidant à être plus efficaces pour identifier des occurrences inhabituelles.

Les méthodes de génération de pseudo-anomalies offrent des options d'entraînement robustes qui ne nécessitent pas de vraies anomalies, rendant plus facile la construction de systèmes de détection efficaces. Cette approche ouvre la voie à de futurs développements dans la détection d'anomalies, qui pourraient s'appliquer à divers domaines, y compris la surveillance, la sécurité réseau et l'imagerie médicale.

Avec l'évolution continue de la technologie, le potentiel d'améliorer les outils et méthodes de détection d'anomalies est immense. En exploitant la puissance des pseudo-anomalies, il est possible de créer des systèmes qui non seulement identifient mais aussi empêchent des dangers potentiels dans des applications réelles.