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
Informatique, Télécommunications et Electronique (EDITE)
Sorbonne Université
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
01/05/2026
Personne à contacter par le candidat
SETKOV Aleksandr < email supprimé pour raison de sécurité >
CEA
DRT/DIASI//LVA
CEA Saclay - Nano-Innov - Bat. 861 PC 173
91191 Gif-sur-Yvette Cedex France
0169080750
Tuteur / Responsable de thèse
AUDIGIER Romaric < email supprimé pour raison de sécurité >
CEA
DRT/DIASI//LVA
Institut CEA LIST
CEA Saclay - Nano-INNOV
Bât 861 - PC 184
F91191 Gif-sur-Yvette Cedex
01 69 08 01 06
En savoir plus
https://kalisteo.cea.fr/
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
Informatique, Télécommunications et Electronique (EDITE)
Sorbonne Université
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
01/05/2026
Personne à contacter par le candidat
SETKOV Aleksandr < email supprimé pour raison de sécurité >
CEA
DRT/DIASI//LVA
CEA Saclay - Nano-Innov - Bat. 861 PC 173
91191 Gif-sur-Yvette Cedex France
0169080750
Tuteur / Responsable de thèse
AUDIGIER Romaric < email supprimé pour raison de sécurité >
CEA
DRT/DIASI//LVA
Institut CEA LIST
CEA Saclay - Nano-INNOV
Bât 861 - PC 184
F91191 Gif-sur-Yvette Cedex
01 69 08 01 06
En savoir plus
https://kalisteo.cea.fr/
