Recherche · Présentation publique

Modèles vidéoPreuves

Un système d’analyse vidéo collaboratif, suivi d’une évaluation contrôlée des représentations, de preuves externes et du comportement en exploitation sous changement de domaine.

Rôle
Recherche collaborative et direction de l’évaluation
Cadre
Analyse vidéo sous changement de domaine
Axe
Intégrité des données et évaluation externe
Publication
TransFlower, accepté pour une présentation orale à KES 2026
01 · La question

Un changement de modèle prometteur améliore-t-il les preuves qui comptent ?

Les systèmes vidéo peuvent bien classer des clips de benchmark tout en confondant des interactions ordinaires avec l’événement cible. J’ai travaillé sur un modèle vidéo collaboratif puis sur une campagne d’évaluation ultérieure pour distinguer le comportement du modèle, l’exposition des données, le changement de domaine et les décisions d’exploitation.

Le travail est passé de la reproduction d’une baseline fonctionnelle à la vérification de ce qui était réellement évalué, puis au test de représentations figées avec des contrôles externes et sur des comportements anodins.

02 · L’approche

Vérifier la comparaison, mesurer le compromis, garder visible la condition de rejet.

  1. 01 · Vérifier

    Rendre inspectables l’identité du modèle et celle des données.

    J’ai établi l’identité du modèle, les conditions d’évaluation et le périmètre de comparaison avant d’interpréter une différence entre modèles.

  2. 02 · Évaluer

    Mesurer ensemble le classement et le comportement sur les cas anodins.

    J’ai dirigé des comparaisons contrôlées qui traitaient les preuves externes, les compromis d’exploitation et l’intégrité du contenu comme partie intégrante de la question de recherche.

  3. 03 · Réviser

    Laisser les contrôles échoués changer l’expérience suivante.

    Les signaux de développement prometteurs n’ont été conservés comme hypothèses que lorsque leurs limites et leurs modes d’échec possibles restaient explicites.

03 · Résultats qualitatifs

Une preuve utile a plus d’un axe.

  1. 01 · Référence

    Une réexécution propre est la condition d’une comparaison utile.

    L’identité du modèle, la fidélité des checkpoints, l’exposition du contenu et les frontières de sélection déterminent ce qu’un changement mesuré peut signifier.

  2. 02 · Preuves externes

    Un signal positif peut rester exploratoire.

    Des têtes de lecture sur caractéristiques figées ont montré un signal de recherche sur une cohorte de caméras distincte, tandis que le nombre limité de sites et l’incertitude par groupes ont gardé la conclusion bornée.

  3. 03 · Comportement en exploitation

    Un meilleur classement ne règle pas la question des fausses alertes.

    Les têtes de lecture candidates ont aussi été jugées sur des clips anodins, car un système utile doit avoir un comportement acceptable au point de fonctionnement, en plus de bien discriminer.

04 · Contribution

De l’adaptation des modèles à la conception des expériences.

Au sein du projet collaboratif TransFlower, j’ai pris en charge une grande partie de l’implémentation Transformer/VideoMAE et mené les expériences documentées. Mon travail a aussi inclus le développement du composant I3D RGB/flux optique et l’intégration du chemin d’inférence combiné. Dans la campagne ultérieure, j’ai fixé les priorités de recherche, dirigé des comparaisons contrôlées, examiné des analyses contradictoires, inspecté les vidéos signalées et décidé des hypothèses à conserver.

Les travaux ultérieurs ont utilisé des représentations V-JEPA pré-entraînées pour des têtes de lecture propres à la tâche et leur évaluation.

05 · Accès relecteurs

Les preuves détaillées sont disponibles pour une relecture sur invitation.

L’accès relecteurs comprend le rapport détaillé, les figures agrégées et les limites qui encadrent leur interprétation. Les pages de relecture sont en anglais.

06 · Points de départ

Travaux collaboratifs, modèles amont, évaluation rigoureuse.