Détection d'évènements anormaux dans les vidéos H/F (Mathématiques, information  scientifique, logiciel)

Description de l'offre

Domaine : Mathématiques, information  scientifique, logiciel

Contrat : Stage

Description du poste :

La reconnaissance d’évènements anormaux dans des vidéos par apprentissage profond est une fonctionnalité cruciale pour les applications de vidéo surveillance, de sécurité routière ou encore de conduite autonome. Il existe cependant encore beaucoup de verrous techniques et scientifiques. Les principaux sont:
L’hétérogénéité des évènements anormaux : comment décrire et caractériser un évènement
anormal ? (bagarre, vol, violence, accident routier, comportement dangereux, etc.) ;
La rareté des évènements anormaux (souvent les données ne sont pas disponibles ou disponibles en petites quantités) ;
Les différents niveaux sémantiques nécessaires pour la modélisation des évènements d’intérêt (de l’analyse bas niveau de motifs et de mouvements, à la détection des personnes et d’objets en présence, l’estimation de leur densité et de leurs trajectoires, jusqu’à la compréhension haut niveau d’évènements comme un vol, une agression, un incendie ou une manœuvre dangereuse sur la route) ;
La complexité de la scène (densité d’objets présents, arrière-plan dynamique, mouvement égocentrique) ;
Le temps de traitement et la latence (une réponse temps réel est requise dans certaines applications comme la conduite autonome)
Les méthodes par apprentissage supervisé nécessitent des annotations en grande quantité, ce qui dans ce contexte est compliqué à obtenir. Les données anormales sont rares par rapport aux données normales et l’annotation de vidéos est par ailleurs une tâche fastidieuse. Ces méthodes ne peuvent donc pas être directement appliquées pour la détection d’anomalies dans les vidéos. Une stratégie, dite « one-class », consiste à ne superviser et modéliser que la classe normale pour en déduire les évènements anormaux qui sont trop différents du modèle de normalité [1]. Mais cette modélisation se heurte souvent à l’hétérogénéité des données normales comme à celle des données anormales.
L’objectif du stage est, dans un premier temps, d’étudier plusieurs méthodes de l’état de l’art,
notamment celles qui nécessitent peu d’exemples (« Few-Shot Learning » [2]) et/ou qui sont
faiblement ou partiellement supervisées [3,4]. Le candidat devra les évaluer sur la tâche de détection et localisation des évènements anormaux dans les vidéos afin d’apprécier leurs avantages et leurs limitations. Dans un deuxième temps, le candidat devra proposer des améliorations pour pallier un ou plusieurs problèmes identifiés. Ces travaux seront évalués quantitativement et qualitativement sur divers jeux de données [3, 5,6,7] et pourront faire l’objet de publications scientifiques. Ce stage ouvre la possibilité de poursuite en thèse sur cette problématique.



Niveau demandé :
Ingénieur, Master 2
Ce stage ouvre la possibilité de poursuite en thèse et ingénieur R&D dans notre laboratoire.
Durée :
6 mois
Rémunération :
entre 700 € et 1300 € suivant la formation.
Compétences requises :
- Vision par ordinateur
- Apprentissage automatique (deep learning)
- Reconnaissance de formes
- C/C++, Python
- La maîtrise d'un framework d'apprentissage profond (en particulier Tensorflow ou PyTorch)
est un plus.

Ville : Palaiseau