Thèse soutenue

Détection d'anomalies par apprentissage profond pour la surveillance par drone
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Slim Hamdi
Direction : Mohamed AbidHichem Snoussi
Type : Thèse de doctorat
Discipline(s) : Optimisation et Sûreté des Systèmes
Date : Soutenance le 07/09/2021
Etablissement(s) : Troyes en cotutelle avec Université de Sfax (Tunisie)
Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)
Partenaire(s) de recherche :  : École nationale d'ingénieurs de Sfax (ENIS)
Laboratoire : Laboratoire Informatique et Société Numérique / LIST3N
Jury : Président / Présidente : François Septier
Examinateurs / Examinatrices : Mohamed Abid, Hichem Snoussi, François Septier, Najoua Ben Amara, Hassen Drira, Yousra Ben Jemaa
Rapporteurs / Rapporteuses : Najoua Ben Amara, Hassen Drira

Résumé

FR  |  
EN

La sécurité civile est l'ensemble des moyens mis en œuvre par un État ou une organisation pour protéger les populations civiles, ainsi que leurs biens et activités, en temps de guerre, de crise et de paix, contre les risques ou menaces de toute nature. En outre, elle consiste à assurer la sécurité des personnes contre tous types de risques naturels tels que les incendies ou contre diverses menaces pouvant mettre en danger leur vie, ainsi que celle de leurs biens ou activités (actes de terrorisme, actes de vandalisme, etc.). Ces dernières années, l'utilisation de drones pour des tâches de surveillance s'est développée dans le monde entier. Ainsi, le nombre de caméras qui doivent être analysées augmente et l'efficacité et la précision des opérateurs humains ont atteint leurs limites. De plus, dans le contexte de la détection d'anomalies, seuls les événements normaux sont disponibles pour le processus d'apprentissage. Par conséquent, la mise en œuvre d'une méthode d'apprentissage profond en mode non supervisé pour résoudre ce problème devient fondamentale. Dans cette thèse, nous avons proposé plusieurs architectures d'apprentissage profond capables de détecter des événements anormaux avec des performances élevées.