Détection d'anomalies dans les vidéos adaptative et explicable

CEA; Saclay; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une institution de recherche à Saclay propose une thèse sur la détection d'anomalies dans les vidéos. Le candidat développera des méthodes capables de s'adapter à de nouveaux types d'anomalies en utilisant peu d'exemples et des règles textuelles. La thèse implique une recherche sur l'adaptation interdomaines et l'apprentissage continu. Pour postuler, un Master 2 ou un diplôme d'ingénieur en vision et apprentissage profond est requis.

Responsabilités

• Développer des méthodes de détection d'anomalies vidéo adaptables.
• Améliorer la robustesse face aux écarts de domaine.
• Enrichir le modèle pour traiter de nouveaux types d'anomalies.

Formation

Master 2 ou diplôme d'ingénieur en vision et apprentissage profond

Description du poste

Description du sujet de thèse

Domaine

Défis technologiques

Sujets de thèse

Détection d'anomalies dans les vidéos adaptative et explicable

Contrat

Thèse

Description de l'offre

La détection d'anomalies dans les vidéos (VAD) vise à identifier automatiquement les événements inhabituels dans des séquences vidéo qui s'écartent des comportements normaux. Les méthodes existantes reposent souvent sur l'apprentissage One-Class ou faiblement supervisé : le premier n'utilise que des données normales pour l'entraînement, tandis que le second s'appuie sur des labels au niveau de la vidéo. Les récents progrès des modèles Vision-Langage (VLM) et des grands modèles de langage (LLM) ont permis d'améliorer à la fois les performances et l'explicabilité des systèmes VAD. Malgré des résultats prometteurs sur des jeux de données publics, plusieurs défis subsistent. La plupart des méthodes sont limitées à un seul domaine, ce qui entraîne une baisse de performance lorsqu'elles sont appliquées à de nouveaux jeux de données avec des définitions d'anomalies différentes. De plus, elles supposent que toutes les données d'entraînement sont disponibles dès le départ, ce qui est peu réaliste dans des contextes d'utilisation réels où les modèles doivent s'adapter continuellement à de nouvelles données. Peu d'approches explorent l'adaptation multimodale en utilisant des règles en langage naturel pour définir les événements normaux ou anormaux. Or, cela permettrait une mise à jour plus intuitive et flexible des systèmes VAD sans nécessiter de nouvelles vidéos. Ce sujet de thèse a pour objectif de développer des méthodes de détection d'anomalies vidéo adaptables, capables de traiter de nouveaux domaines ou types d'anomalies en s'appuyant sur peu d'exemples vidéo et/ou des règles textuelles. Les axes de recherche principaux seront les suivants :

• Adaptation interdomaines en VAD : améliorer la robustesse face aux écarts de domaine via une adaptation Few-Shot
• Apprentissage continu en VAD : enrichir le modèle en continu pour traiter de nouveaux types d'anomalies
• Apprentissage multimodal en Few-Shot : faciliter l'adaptation du modèle à l'aide de règles en langage naturel

Université / école doctorale

Sciences et Technologies de l'Information et de la Communication (STIC)
Paris-Saclay

Localisation du sujet de thèse

Site

Saclay

Critères candidat

Formation recommandée

Master 2 ou diplôme d'ingénieur en vision et apprentissage profond

Demandeur

Disponibilité du poste

01/10/2025

Personne à contacter par le candidat

SETKOV Aleksandr [e-mail]
CEA
DRT/DIASI//LVA
CEA Saclay - Nano-Innov - Bat. 861 PC 173
91191 Gif-sur-Yvette Cedex France
0169080750

Tuteur / Responsable de thèse

LUVISON Bertrand [e-mail]
CEA
DRT/DIASI//LVA
Institut CEA LIST
CEA Saclay - Nano-INNOV
Bât 861 - PC 184
F91191 Gif-sur-Yvette Cedex
01 69 08 01 37

En savoir plus

https://kalisteo.cea.fr/