Optimization of video surveillance networks in smart cities using video compressive sensing and deep learning techniques

Optimisation d'un système de video surveillance dans les villes intelligentes en utilisant le Deep Learning et la video compressive sensing La technique de compressive sensing joue un rôle important dans le traitement des données vu que l’acquisition et la compression se font simultanément grâce à un processus de prise de mesures. Cette technique optimise les capacités de stockage des systèmes ainsi que la vitesse et le coût d’acquisition. Récemment, cette technique est devenue de plus en plus utilisée grâce à l’optimisation des algorithmes de reconstruction en utilisant les architectures du Deep Learning. L’objectif principal de cette thèse est de tirer profit des architectures de Deep Learning pour optimiser la technique de compressive sensing en l’appliquant sur des signaux vidéo et par la suite optimiser l’acquisition, la transmission et la reconstruction des vidéos dans les systèmes numériques modernes. Ainsi, la stratégie adoptée au cours de ces travaux de recherche consiste à commencer par établir une étude comparative sur les approches de vidéo compressive sensing (VCS) basées sur le Deep Learning en évaluant la qualité et la vitesse de reconstruction ainsi que les différentes architectures. Puis, deux environnements de VCS ont été conçus : le premier se base sur la prédiction des frames vidéo en implémentant une approche basée sur un nouveau réseau récurrent et le deuxième exploite les dernières performances réalisées avec les Transformers et le mécanisme d’attention. Alors, la démarche adoptée dans ces deux approches repose sur une analyse de l’état de l’art suivie d’une explication de chaque architecture et une validation expérimentale. Les différentes contraintes rencontrées au cours de ces travaux sont discutées et des solutions appropriées sont proposées.