💻 computer science

COPRA: Conditional Parameter Adaptation with Reinforcement Learning for Video Anomaly Detection

COPRA est un cadre novateur qui exploite l'apprentissage par renforcement pour générer des mises à jour de paramètres spécifiques à l'entrée pour des modèles vision-langage figés, résolvant ainsi efficacement les écarts entre l'entraînement et l'inférence et atteignant des performances de pointe dans la détection d'anomalies vidéo et d'autres tâches de compréhension vidéo.

Auteurs originaux : Darryl Cherian Jacob, Xinyu Liu, Kai Wang, Pan He

Publié 2026-05-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Darryl Cherian Jacob, Xinyu Liu, Kai Wang, Pan He

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous embauchiez un agent de sécurité pour surveiller des milliers d'heures de vidéos de surveillance afin de repérer des incidents. C'est le rôle de la Détection d'Anomalies Vidéo (VAD).

Pendant longtemps, la meilleure façon de procéder a été d'entraîner une IA ultra-intelligente (un Modèle Vision-Langage) à examiner la vidéo et à dire : « Cela semble normal » ou « Cela ressemble à un accident ».

Cependant, les auteurs de cet article, COPRA, ont remarqué une faille majeure dans la façon dont ces gardes IA sont actuellement entraînés. Ils appellent cela le « Goulot d'étranglement des Paramètres Partagés ».

Le Problème : L'Uniforme « Taille Unique »

Imaginez un agent de sécurité qui doit porter un seul et même uniforme statique pour chaque poste, peu importe ce qu'il est chargé de surveiller.

S'il surveille une banque, il doit repérer des personnes courant avec des sacs.
S'il surveille un parc, il doit repérer des bagarres.
S'il surveille une route, il doit repérer des accidents de voiture.

Actuellement, la plupart des modèles d'IA tentent d'apprendre un seul ensemble de règles (un seul « uniforme ») qui fonctionne pour tous ces scénarios différents à la fois. Le résultat ? L'IA tente de trouver un « compromis ». Elle devient un peu bonne pour repérer les braquages de banque, un peu bonne pour repérer les bagarres de parc, mais excellente pour aucun d'entre eux. Lorsqu'elle voit un nouveau type d'incident qu'elle n'a jamais rencontré auparavant, elle se confond car son « uniforme » ne correspond pas à cette situation spécifique.

De plus, il existe un décalage entre la façon dont elles sont entraînées et la façon dont elles fonctionnent :

Entraînement : L'IA se voit montrer quelques images aléatoires d'une longue vidéo et on lui dit : « Il y avait un problème quelque part dans cette heure entière. »
Test : On demande à l'IA d'examiner de minuscules tranches denses de vidéo, seconde par seconde, pour trouver exactement quand le problème s'est produit.

C'est comme entraîner un chef en lui montrant une photo d'un gâteau fini en disant « Fais ça », puis en lui demandant de cuire le gâteau miette par miette. Les instructions ne correspondent pas tout à fait à la tâche.

La Solution : COPRA (Le Costume « Sur Mesure »)

Les auteurs proposent un nouveau système appelé COPRA. Au lieu de forcer l'IA à porter un uniforme statique, COPRA donne à l'IA un tailleur magique qui crée une tenue sur mesure pour chaque extrait vidéo qu'elle voit.

Voici comment cela fonctionne en termes simples :

Le Cerveau Gelé : L'IA principale (le « cerveau ») reste gelée et inchangée. Elle connaît déjà beaucoup de choses sur le monde.
Le Tailleur Magique (Le Générateur) : Un petit réseau d'aide léger examine l'extrait vidéo spécifique (par exemple, une scène de circulation par rapport à une scène de magasin).
Personnalisation Instantanée : En fonction de ce qu'il voit, le tailleur génère instantanément un petit ensemble de « réglages » (appelés poids LoRA) spécifiquement pour cet extrait.
- Si l'extrait est une vidéo de circulation, le tailleur ajuste le focus de l'IA pour repérer les voitures et les piétons.
- Si l'extrait est une vidéo de commerce, le tailleur ajuste l'IA pour repérer les comportements de vol à l'étalage.
Le Résultat : L'IA enfile ce « costume sur mesure » juste pour cet instant, prend sa décision, puis le retire. Elle n'a pas à se souvenir d'une règle de compromis pour tout ; elle s'adapte à la volée.

Comment Ils Ont Enseigné au Tailleur (Apprentissage par Renforcement)

Vous pourriez demander : « Comment le tailleur sait-il quels réglages effectuer ? »

Les auteurs ont utilisé une technique appelée Apprentissage par Renforcement. Imaginez que l'on entraîne un chien avec des friandises :

L'IA devine si une vidéo est normale ou anormale.
Si elle trouve la bonne réponse (basée sur l'étiquette au niveau de la vidéo), elle reçoit une « friandise » (une récompense).
Si elle se trompe, elle ne reçoit pas de friandise.
Avec le temps, le « tailleur » apprend à générer les réglages sur mesure parfaits qui mènent au plus grand nombre de friandises.

Ce Qu'ils Ont Découvert

L'article affirme que cette approche de « couture sur mesure » fonctionne bien mieux que l'ancienne méthode « taille unique » :

Meilleure Précision : Sur des tests standard (comme repérer des crimes dans des vidéos de surveillance), COPRA a détecté plus d'anomalies et fait moins d'erreurs que les méthodes précédentes.
Meilleure Généralisation : Lorsqu'ils ont testé COPRA sur des vidéos qu'il n'avait jamais vues auparavant (comme des accidents de la route plutôt que des crimes en magasin), il a toujours bien performé. Parce qu'il a appris à s'adapter plutôt qu'à simplement mémoriser, il pouvait gérer de nouvelles situations.
Au-delà des Simple Alarmes : Ils ont également montré que cette méthode aide l'IA à rédiger de meilleures descriptions de ce qui s'est passé (comme « Une voiture a percuté un piéton ») et à répondre à des questions sur la vidéo, prouvant que le « costume sur mesure » aide l'IA à mieux comprendre le contexte.

Résumé

En bref, COPRA cesse d'essayer de forcer un seul modèle d'IA à être expert en tout à la fois. Au lieu de cela, il donne à l'IA la capacité de se reconfigurer instantanément pour chaque vidéo spécifique qu'elle regarde. C'est la différence entre un agent de sécurité portant un costume rigide et mal ajusté pour chaque travail, et un agent qui change instantanément en l'équipement parfait pour la situation spécifique qu'il affronte.

Résumé Technique : COPRA – Adaptation Conditionnelle des Paramètres par Apprentissage par Renforcement pour la Détection d'Anomalies Vidéo

1. Définition du Problème et Motivation

La Détection d'Anomalies Vidéo (VAD) vise à identifier des événements rares et inattendus dans de longues vidéos, souvent dans un contexte de supervision faible où seules des étiquettes au niveau de la vidéo sont disponibles. Bien que les Modèles Vision-Langage (VLM) aient montré des promesses en VAD en exploitant des priors sémantiques et en offrant de l'interprétabilité, l'article identifie deux limitations critiques et sous-explorées dans les approches existantes :

Le Goulot d'Étranglement des Paramètres Partagés : Les méthodes VAD actuelles basées sur les VLM reposent généralement sur un espace de paramètres statique et partagé (par exemple, des invites fixes ou des poids affinés globalement) après l'entraînement. Cela force des types d'anomalies hétérogènes (par exemple, accidents de la circulation vs vols à l'étalage) et des contextes de scènes diversifiés dans une solution unique et compromise. Par conséquent, ces modèles surajustent aux distributions d'entraînement et échouent à se généraliser à des domaines non vus ou à de nouveaux types d'anomalies.
Inadéquation Entraînement-Inférence : Les pipelines existants entraînent souvent sur des images échantillonnées de manière clairsemée à partir de longues vidéos avec une supervision faible au niveau de la vidéo, mais effectuent l'inférence sur des fenêtres glissantes densément échantillonnées pour une localisation fine. Cette divergence entraîne des incohérences où des paramètres appris à partir d'entrées clairsemées sont appliqués à des décisions locales denses, dégradant les performances sous des variations de mouvement, de point de vue et de sémantique.

2. Méthodologie : Le Cadre COPRA

Les auteurs proposent COPRA (Adaptation Conditionnelle des PaRamètres), un cadre qui reformule la VAD comme un problème d'adaptation conditionnée par l'instance. Au lieu d'apprendre une mise à jour statique unique, COPRA génère dynamiquement des mises à jour de paramètres spécifiques à l'entrée pour chaque segment vidéo, modulant un VLM largement figé à la volée.

Architecture Principale

Génération de Paramètres Conditionnée par l'Instance : COPRA utilise un réseau générateur léger, $g_{\phi_2}$ , qui prend un signal de conditionnement visuel compact dérivé de la vidéo d'entrée $V$ et prédit une mise à jour de paramètres spécifique $\Delta\theta(V)$ .
Conditionnement Visuel : La vidéo d'entrée est échantillonnée uniformément (par exemple, $K=8$ images) et traitée par un encodeur visuel figé (un sous-module du VLM) pour produire des jetons visuels. Ces jetons servent de seul signal de conditionnement pour le générateur.
Synthèse de Poids LoRA : Le générateur est un Transformer qui mappe les jetons visuels vers des poids LoRA (Adaptation de Rang Faible) tokenisés et conditionnés par l'instance. Ces poids sont injectés comme mises à jour résiduelles dans le backbone VLM figé (ciblant spécifiquement les projections requête-clé-valeur, les modules de commutation et les transformations de sortie).
Adaptation Hybride : Les paramètres LoRA générés sont initialisés avec un prior latent global apprenable ( $p_{global}$ ), combinant des motifs d'adaptation au niveau du jeu de données avec des résidus spécifiques à l'entrée. Cela permet au modèle de conserver les connaissances générales tout en se spécialisant pour l'instance actuelle.

Entraînement par Apprentissage par Renforcement

COPRA est entraîné de bout en bout en utilisant l'Optimisation de Politique Relative par Groupes (GRPO) sous supervision au niveau de la vidéo :

Politique : Le générateur $g_{\phi_2}$ agit comme une politique qui mappe les signaux visuels vers des mises à jour de paramètres.
Conception de la Récompense : Le système utilise des récompenses binaires basées sur la correction de la classification finale au niveau de la vidéo (Normal vs Anomalie) et la conformité au format.
Mécanisme : Pour une vidéo donnée, le modèle génère plusieurs séquences de réponses en utilisant les paramètres adaptés. L'avantage est calculé via une normalisation par groupe de ces récompenses. Cela encourage le générateur à produire des mises à jour de paramètres conduisant à des prédictions correctes, apprenant efficacement un mécanisme de "génération d'espace de poids" sans nécessiter de supervision explicite sur les poids eux-mêmes.

Adaptation Temporelle Flexible

Pour résoudre l'inadéquation entraînement-inférence, COPRA prend en charge des stratégies d'échantillonnage flexibles. Lors de l'inférence, les vidéos sont partitionnées en segments chevauchants. Le cadre peut générer des paramètres pour des tranches temporelles spécifiques (par exemple, des tranches de 120 secondes) et les réutiliser pour évaluer des segments locaux au sein de ce contexte, permettant un partage de paramètres conscient du contexte tout en maintenant une granularité temporelle.

3. Contributions Clés

Identification du Goulot d'Étranglement des Paramètres Partagés : L'article articule comment les adaptations statiques et partagées dans la VAD basée sur les VLM limitent la généralisation en forçant des exigences hétérogènes dans un compromis unique.
Cadre d'Adaptation Conditionnée par l'Instance : COPRA est présenté comme le premier cadre à formuler la VAD comme un problème conditionné par l'instance, spécialisant dynamiquement le comportement du VLM pour chaque segment vidéo via des poids LoRA générés.
Génération de Paramètres Pilotée par RL : L'introduction d'un cadre de génération de paramètres conditionnels entraîné par apprentissage par renforcement (GRPO) sous supervision faible, permettant une adaptation dynamique par entrée sans affinement complet.
Généralisation Robuste : Le cadre est démontré comme atténuant l'inadéquation entraînement-inférence et réduisant les interférences inter-domaines, améliorant la robustesse à travers des motifs d'anomalies divers et des dynamiques temporelles.

4. Résultats Expérimentaux

Les auteurs ont évalué COPRA sur des benchmarks VAD standards et des tâches inter-domaines :

Performance Intra-Domaine : Sur UCF-Crime et XD-Violence, COPRA a systématiquement surpassé les bases de référence VLM figées et les méthodes d'adaptation statique puissantes (par exemple, VERA).
- Sur UCF-Crime, COPRA a amélioré l'AUC d'InternVL2-8B de 84,31 % à 87,14 %.
- Sur XD-Violence, il a amélioré l'AP d'InternVL2-8B de 74,32 % à 76,52 %.
- Des études d'ablation ont confirmé que l'adaptation conditionnée par l'instance surpasse significativement l'adaptation statique basée sur GRPO.
Généralisation Inter-Domaine : Entraîné uniquement sur UCF-Crime, COPRA a été évalué en zéro-shot sur :
- VRU-Accident : Amélioration des métriques sémantiques de légendage dense (SPICE, METEOR) et de la précision du VideoQA à choix multiples.
- HIVAU-70K : Génération améliorée d'explications en langage naturel aux niveaux clip, événement et vidéo.
Adaptation Temporelle : Les expériences ont montré que la génération de paramètres pour de plus grandes tranches temporelles (par exemple, 120 s) et leur réutilisation pour des segments locaux ont produit les meilleures performances, validant la flexibilité de la stratégie d'adaptation temporelle.
Analyse Qualitative : Les visualisations t-SNE ont démontré que COPRA produit des embeddings plus discriminants, séparant mieux les vidéos normales et anormales par rapport à la base de référence. Les descriptions générées étaient également plus cohérentes et focalisées sur des indices pertinents pour l'anomalie.

5. Signification et Revendications

L'article revendique que COPRA fournit un mécanisme efficace de génération d'espace de poids pour les modèles de fondation. En s'éloignant des paramètres statiques et partagés vers une adaptation dynamique conditionnée par l'entrée, COPRA permet :

Évolutivité : Adapter de grands modèles figés à des tâches spécifiques sans réentraînement complet.
Adaptabilité : Gérer des décalages de distribution significatifs et de nouveaux types d'anomalies en ajustant la frontière de décision pour chaque entrée.
Conscience du Contexte : Combler le fossé entre la supervision d'entraînement clairsemée et les exigences d'inférence denses.

Les auteurs reconnaissent des limitations, notamment l'absence de fondement théorique pour les poids générés, une interprétabilité limitée des poids LoRA eux-mêmes, et la surcharge computationnelle introduite par le processus d'entraînement GRPO (spécifiquement l'échantillonnage répété des réponses). Ils suggèrent que ces domaines méritent une investigation future.

Disponibilité du Code : Le code est disponible à l'adresse https://github.com/THE-MALT-LAB/COPRA.