Détection d’anomalies de mouvement dans des vidéos via des séries temporelles

Une vidéo ne se réduit pas à une simple succession d’images, car elle intègre une dimension fondamentale : le mouvement, qui en constitue une information intrinsèque. Cette caractéristique est essentielle dans son analyse, d’autant plus que ses propriétés se révèlent plus explicitement sur un temps long. En intégrant temporellement les champs de vitesses calculés à chaque instant, on obtient des trajectoires formant des séries temporelles. Cette thèse vise d’abord à construire, par apprentissage, des représentations plus parcimonieuses et compactes de ces trajectoires, pour des raisons d’efficacité, tout en les rendant sémantiquement adaptées à des tâches génériques comme la détection, la reconnaissance ou la classification. Plus précisément, nous explorerons la détection d’anomalies dans les vidéos, un enjeu partagé par de nombreuses applications, bien que sous des formes variées.
Nous nous concentrerons sur les anomalies liées au mouvement, qui peuvent se manifester de trois manières principales : des écarts par rapport à des comportements normaux (ex. : un véhicule roulant à contresens sur une autoroute, une panique dans une foule), des divergences soudaines (ex. : une sortie de route), ou des mouvements non naturels, violant les lois physiques classiques (ex. : vidéos générées par l’IA). Cette dernière catégorie nous amènera à aborder la détection de vidéos synthétiques produites par des systèmes d’IA générative, dont l’essor rapide et la capacité croissante à imiter la réalité soulèvent des enjeux majeurs, tant sociétaux qu’économiques. Si la différenciation entre images fixes et réelles a fait l’objet de nombreux travaux, les méthodes dédiées aux vidéos restent rares [1,2]. Notre approche, centrée sur l’analyse du mouvement, offre une perspective originale et prometteuse. Les trois types d’anomalies seront étudiés, mais la détection de vidéos générées par l’IA pourrait devenir un axe prioritaire, selon sa faisabilité et les ressources nécessaires. Cette thèse s’appuiera sur nos travaux récents, notamment sur la détection de trajectoires saillantes [3], la segmentation non supervisée de mouvements à long terme [4] et la détection automatique de contenu généré par IA [5].