{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/6864"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/6864","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Apprentissage profond de bout en bout pour la détection de scènes de violence","abstract":"Ces derniers temps, la recherche sur la détection de scènes de violence a suscité un grand engouement en raison de la surpopulation des grandes métropoles. Des méthodes de détection automatique ont vu le jour pour résoudre ce problème. Ces méthodes peuvent être catégorisées en deux groupes : d’une part les méthodes d’apprentissage machine qui consistent à regrouper des caractéristiques sous forme de vecteurs appelés descripteurs que l’on classifie à l’aide de classificateurs comme les machines à vecteurs de support (SVM) ou les forêts aléatoires (Random Forest), et, d’autre part les méthodes d’apprentissage profond qui sont basées sur les réseaux de neurones profonds. Nous avons constaté que les méthodes d’apprentissage profond sont les plus utilisées et sont souvent basées sur des réseaux convolutifs profonds 3D. Les réseaux convolutifs 3D étant couteux en temps de calcul, nous avons décidé dans un premier temps de construire des réseaux constitués d’une combinaison, réseaux convolutifs distribués dans le temps (TDCNN) et réseaux récurrents (RNN) afin d’obtenir des réseaux moins coûteux en calcul et plus précis grâce à une meilleure considération de l’aspect temporel des réseaux récurrents. Dans un second temps, nous avons combiné le flux optique avec nos images RGB afin d’améliorer la représentation spatiale et temporelle des scènes. Cette thèse contient aussi des tests sur une nouvelle base de données « Real Life Crime Situations ». Mots clés : Détection de violence; Comportement anormaux; Apprentissage machine; Apprentissage profond; Réseaux récurrents; Flux optique.","abstract_html":"Ces derniers temps, la recherche sur la détection de scènes de violence a suscité un grand engouement en raison de la surpopulation des grandes métropoles. Des méthodes de détection automatique ont vu le jour pour résoudre ce problème. Ces méthodes peuvent être catégorisées en deux groupes : d’une part les méthodes d’apprentissage machine qui consistent à regrouper des caractéristiques sous forme de vecteurs appelés descripteurs que l’on classifie à l’aide de classificateurs comme les machines à vecteurs de support (SVM) ou les forêts aléatoires (Random Forest), et, d’autre part les méthodes d’apprentissage profond qui sont basées sur les réseaux de neurones profonds. Nous avons constaté que les méthodes d’apprentissage profond sont les plus utilisées et sont souvent basées sur des réseaux convolutifs profonds 3D. Les réseaux convolutifs 3D étant couteux en temps de calcul, nous avons décidé dans un premier temps de construire des réseaux constitués d’une combinaison, réseaux convolutifs distribués dans le temps (TDCNN) et réseaux récurrents (RNN) afin d’obtenir des réseaux moins coûteux en calcul et plus précis grâce à une meilleure considération de l’aspect temporel des réseaux récurrents. Dans un second temps, nous avons combiné le flux optique avec nos images RGB afin d’améliorer la représentation spatiale et temporelle des scènes. Cette thèse contient aussi des tests sur une nouvelle base de données « Real Life Crime Situations ». Mots clés : Détection de violence; Comportement anormaux; Apprentissage machine; Apprentissage profond; Réseaux récurrents; Flux optique.","abstract_has_math":false,"creators":["Traoré, Abdarahmane"],"institution":"Université de Moncton","degree_name":"Maîtrise ès sciences (informatique)","degree_level":"2e cycle","degree_discipline":"Faculté des sciences","degree_department":null,"school":null,"contributors":[],"advisors":["Akhloufi, Moulay"],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-07-24T03:09:53Z","subjects":["Électronique dans la prévention de la criminalité","Reconnaissance des formes (Informatique)","Vidéosurveillance","Vision par ordinateur","Imagerie (Technique)","Vision artificielle (Robotique)","Surveillance électronique","Criminologie","Méthode","Criminalité","Prévention"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2404"],"render_values":[{"text":"umir:2404","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/6864","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Akhloufi, Moulay"]},{"key":"dc:creator","label":"Author","values":["Traoré, Abdarahmane"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T17:56:15Z","2025-05-13T20:34:56Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T17:56:15Z","2025-05-13T20:34:56Z"]},{"key":"dc:date.issued","label":"Date","values":["2021"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté des sciences"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences (informatique)"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Électronique dans la prévention de la criminalité","Reconnaissance des formes (Informatique)","Vidéosurveillance","Vision par ordinateur","Imagerie (Technique)","Vision artificielle (Robotique)","Surveillance électronique","Criminologie","Méthode","Criminalité","Prévention"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:2404"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/6864"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Ces derniers temps, la recherche sur la détection de scènes de violence a suscité un grand engouement en raison de la surpopulation des grandes métropoles. Des méthodes de détection automatique ont vu le jour pour résoudre ce problème. Ces méthodes peuvent être catégorisées en deux groupes : d’une part les méthodes d’apprentissage machine qui consistent à regrouper des caractéristiques sous forme de vecteurs appelés descripteurs que l’on classifie à l’aide de classificateurs comme les machines à vecteurs de support (SVM) ou les forêts aléatoires (Random Forest), et, d’autre part les méthodes d’apprentissage profond qui sont basées sur les réseaux de neurones profonds. Nous avons constaté que les méthodes d’apprentissage profond sont les plus utilisées et sont souvent basées sur des réseaux convolutifs profonds 3D. Les réseaux convolutifs 3D étant couteux en temps de calcul, nous avons décidé dans un premier temps de construire des réseaux constitués d’une combinaison, réseaux convolutifs distribués dans le temps (TDCNN) et réseaux récurrents (RNN) afin d’obtenir des réseaux moins coûteux en calcul et plus précis grâce à une meilleure considération de l’aspect temporel des réseaux récurrents. Dans un second temps, nous avons combiné le flux optique avec nos images RGB afin d’améliorer la représentation spatiale et temporelle des scènes. Cette thèse contient aussi des tests sur une nouvelle base de données « Real Life Crime Situations ». Mots clés : Détection de violence; Comportement anormaux; Apprentissage machine; Apprentissage profond; Réseaux récurrents; Flux optique."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic"]},{"key":"dc:title","label":"Title","values":["Apprentissage profond de bout en bout pour la détection de scènes de violence"]}]}],"canonical_facts":{"dc:contributor.advisor":["Akhloufi, Moulay"],"dc:creator":["Traoré, Abdarahmane"],"dc:date.accessioned":["2024-12-20T17:56:15Z","2025-05-13T20:34:56Z"],"dc:date.available":["2024-12-20T17:56:15Z","2025-05-13T20:34:56Z"],"dc:date.issued":["2021"],"dc:description.abstract":["Ces derniers temps, la recherche sur la détection de scènes de violence a suscité un grand engouement en raison de la surpopulation des grandes métropoles. Des méthodes de détection automatique ont vu le jour pour résoudre ce problème. Ces méthodes peuvent être catégorisées en deux groupes : d’une part les méthodes d’apprentissage machine qui consistent à regrouper des caractéristiques sous forme de vecteurs appelés descripteurs que l’on classifie à l’aide de classificateurs comme les machines à vecteurs de support (SVM) ou les forêts aléatoires (Random Forest), et, d’autre part les méthodes d’apprentissage profond qui sont basées sur les réseaux de neurones profonds. Nous avons constaté que les méthodes d’apprentissage profond sont les plus utilisées et sont souvent basées sur des réseaux convolutifs profonds 3D. Les réseaux convolutifs 3D étant couteux en temps de calcul, nous avons décidé dans un premier temps de construire des réseaux constitués d’une combinaison, réseaux convolutifs distribués dans le temps (TDCNN) et réseaux récurrents (RNN) afin d’obtenir des réseaux moins coûteux en calcul et plus précis grâce à une meilleure considération de l’aspect temporel des réseaux récurrents. Dans un second temps, nous avons combiné le flux optique avec nos images RGB afin d’améliorer la représentation spatiale et temporelle des scènes. Cette thèse contient aussi des tests sur une nouvelle base de données « Real Life Crime Situations ». Mots clés : Détection de violence; Comportement anormaux; Apprentissage machine; Apprentissage profond; Réseaux récurrents; Flux optique."],"dc:format":["application/pdf"],"dc:format.medium":["electronic"],"dc:identifier.other":["umir:2404"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/6864"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Électronique dans la prévention de la criminalité","Reconnaissance des formes (Informatique)","Vidéosurveillance","Vision par ordinateur","Imagerie (Technique)","Vision artificielle (Robotique)","Surveillance électronique","Criminologie","Méthode","Criminalité","Prévention"],"dc:title":["Apprentissage profond de bout en bout pour la détection de scènes de violence"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté des sciences"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences (informatique)"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:09:53Z"}