Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/630
Full metadata record
DC FieldValueLanguage
dc.contributor.authorAMZERT, MOhammed ANouar-
dc.date.accessioned2024-09-23T09:56:56Z-
dc.date.available2024-09-23T09:56:56Z-
dc.date.issued2024-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/630-
dc.descriptionSupervisor : Dr. BENKABOU Seif Eddine / Dr. CHAIB Souleymanen_US
dc.description.abstractAnomaly detection is a crucial task that has attracted the interest of several research studies. research in statistical learning communities, signal processing and data mining data. The complexity of this task depends on the nature of the data (temporal, heterogeneous, vectorial, etc.), the availability of their labeling (supervised, semisupervised or unsupervised) and the application framework in which they fit. In light of the recent explosion in drone technology and aerial video data, the volume and intricacy of these data types, notably their interrelated dynamics, have surged exponentially, rendering traditional, manual inspection techniques ineffective and errorprone. The most potent solution to tackle this issue is by leveraging Artificial Intel- ligence to autonomously oversee these systems, distinguishing between ordinary and anomalous behavior through analysis of vast amounts of spatial- temporal dependent data. Alongside its standing as a thriving field of research, Anomaly Detection in aerial videos has become a cornerstone in contemporary surveillance and security systems, given the significant risks posed by abnormal patterns to these systems. The discipline of Machine Learning is experiencing its defining era, courtesy of its algorithms being deployed in a plethora of tasks, and Anomaly Detection within aerial videos is no exception. *** La détection d’anomalies est une tâche cruciale qui a attiré l’intérêt de plusieurs études de recherche dans les communautés d’apprentissage statistique, de traitement du signal et de fouille de données. La complexité de cette tâche dépend de la nature des données (temporelles, hétérogènes, vectorielles, etc.), de la disponibilité de leur étiquetage (supervisé, semi-supervisé ou non supervisé) et du cadre d’application dans lequel elles s’inscrivent. À la lumière de l’explosion récente de la technologie des drones et des données vidéo aériennes, le volume et la complexité de ces types de données, notamment leurs dynamiques interdépendantes, ont augmenté de manière exponentielle, rendant les techniques traditionnelles d’inspection manuelle inefficaces et sujettes aux erreurs. La solution la plus puissante pour aborder ce problème est d’utiliser l’intelligence artificielle pour surveiller de manière autonome ces systèmes, en distinguant entre comportements ordinaires et anormaux grâce à l’analyse de vastes quantités de données spatiales-temporelles dépendantes. En tant que champ de recherche florissant, la détection d’anomalies dans les vidéos aériennes est devenue un pilier des systèmes contemporains de surveillance et de sécurité, étant donné les risques significatifs posés par les modèles anormaux pour ces systèmes.en_US
dc.language.isoenen_US
dc.subjectAnomaly Detectionen_US
dc.subjectTime Seriesen_US
dc.subjectDeep Learningen_US
dc.subjectAerial Videosen_US
dc.subjectFeature Extractionen_US
dc.titleAnomaly Detection in Aerial Videos with Deep Feature and Multivariate Time Series Analysisen_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
MASTER Report - AMZERT-1-1.pdf102,38 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.