Modèles d’Apprentissage Automatique pour la Détection Multimodale de Comportements Anormaux

Mots clés :  Apprentissage profond ; Détection d’anomalies ; Comportements humains.

Résumé :

Nos travaux portent sur le développement de modèles pour la détection de comportements humains anormaux en utilisant plusieurs modalités (e.g. audio, vidéo,etc.). La détection de comportements anormaux a de nombreuses applications, de la sécurité dans les lieux publics au vote électronique en passant par la santé mentale et les handicaps invisibles. Nous commençons d’abord par définir le domaine dans lequel s’ancre cette thèse en prenant soin d’en tracer les contours. Puisque nous traitons du comportement humain, nous donnons quelques mises en gardes sur le fait de considérer un comportement comme anormal  et les potentielles applications.
Ensuite, nous faisons un tour d’horizon de la littérature qui se rapporte à notre sujet. Nous en identifions des limites que nous avons tenté de repousser pendant cette thèse. Nos résultats se divisent en trois catégories : 

1) Trois nouvelles méthodes pour la détection de comportements anormaux. La première méthode — qui a fait l’objet d’une publication dans une conférence internationale — modélise les comportements comme des mécanismes temporels, la seconde — pour laquelle une publication est en préparation — y ajoute un cadre probabiliste et la troisième se base sur la théorie de l’information et l’entropie de Shannon. 

2) Des méthodes de modélisation multimodales afin de pallier un manque dans l’état de l’art.

3) Des méthodes pour la modélisation de représentations du comportement humain.
Nous terminons avec une vue d’ensemble de nos travaux, observant les nouvelles limites du domaine et définissant les perspectives.