Salut tout le monde 👋

Je travaille sur un système de détection d’anomalies CCTV en temps réel et je voulais partager certains résultats et choix architecturaux qui ont conduit à une augmentation significative des performances.

🎯 Problème

Les images de vidéosurveillance sont intrinsèquement temporelles. La détection d’anomalies comme le flâner, la course ou l’intrusion dépend souvent de Comment le comportement évolue avec le tempspas seulement ce qui apparaît dans un seul cadre.

L’utilisation d’un CNN seule m’a donné des résultats décents (précision de validation de 97%), mais il a lutté avec des modèles basés sur le mouvement ou dépendant du temps.

🧠 Pourquoi CNN + LSTM?

• Extraits CNN (RESNET50) caractéristiques spatiales de chaque trame.
• Captures LSTM dépendances temporelles à travers les séquences de trame.
• Cette configuration hybride aide le modèle à reconnaître non seulement des actions individuelles, mais aussi Tendances comportementales au fil du temps.

🧪 Comparaison des performances

Vous trouverez ci-dessous un instantané des journaux de formation sur 5 époques. Le modèle a bien généralisé sans sur-ajustement:

⚙️ pile

• Python
• TensorFlow + Keras
• CNN: RESNET50
• Modélisation séquentielle: LSTM
• Ensemble de données: en temps réel-anomalie-détection dans la surveillance (de Kaggle)

📘 cahier (kaggle)

Voici le cahier complet montrant le pipeline de données, l’architecture du modèle, les journaux de formation et l’évaluation:
https://www.kaggle.com/code/nyashac/behavior-dection-cnn-lstm-resnet50

Merci de l’avoir vérifié!