Anomaliedetectie in Spatiotemporele Neurale Netwerken

In deze doctoraatsstudie bestuderen we en verfijnen we technieken om anomalieën te vinden in spatiotemporele beelddata van verschillende industriële toepassingen. We merken immers dat een betere detectie kan bereikt worden als afgestapt wordt van het frame-by-frame verwerken van een beeldsequentie, maar als de video als een samenhangend geheel wordt verwerkt door het neuraal netwerk. Dit is zo voor toepassingen van objectdetectie, maar zeker voor actieherkenning is het meenemen van de temporele informatie onmisbaar. In dit doctoraat bestuderen we dergelijke spatiotemporele neurale netwerken voor een aantal verscheiden industriële case studies, waaronder de detectie van poliepen in colonoscopiebeelden, automatische proctoring van online examens en het monitoren van proefdieren. In deze drie gevalstudies is het ook de taak om anomalieën te op te merken in de beelddata. Met andere woorden, de te detecteren spatiotemporele events kunnen in een aantal gevallen enkel omschreven worden als “afwijkingen ten opzichte van het normale gedrag”. Het trainen en evalueren van dergelijke spatiotemporele anomaliedetectie-systemen stelt bijzondere uitdagingen, waarvoor in dit doctoraat oplossingen gezocht zullen worden.