Angle d’Anderson

Prédire la violence à l’avance grâce à l’IA

Martin Anderson
Ajouter Unite.AI à vos sources préférées sur Google
A still from Minority Report (2002), a film centered on predicting violent crimes before they occur, alongside an inset from Can We Anticipate Violence? Multimodal Learning from Pre-Incident Behavioral Cues, which investigates the same problem using AI analysis of facial appearance, audio and body motion. Minority Report image © 2002 Twentieth Century Fox and DreamWorks Pictures; reproduced for editorial commentary.
Points clésPrédire la violence avant qu'elle ne survienne risque de faire écho aux craintes…
Voir plus
  • Prédire la violence avant qu'elle ne survienne risque de faire écho aux craintes dystopiques de Minority Report.
  • La combinaison de l'apparence faciale avec des indices audio et de mouvement surpasse tout signal unique pris isolément.
  • Https://www.youtube.com/watch?v tDSXPQcpybU Un test (non réel) pour un système de détection de violence d'IVS.

La démarche typique d’une recherche du type « L’IA peut-elle automatiser cela ? » consiste à fournir plusieurs exemples d’un phénomène dont on souhaite isoler les caractéristiques, puis à voir si un modèle entraîné sur ces données peut reconnaître cette caractéristique dans des données similaires qui n’ont pas servi à l’entraînement :

Schéma d’un projet d’IA tenté en dernier recours : les exemples étiquetés sont répartis entre ensembles d’entraînement et de test. Le modèle apprend sur le premier, puis est confronté à des exemples inédits du second. S’il a réellement appris la caractéristique recherchée plutôt que mémorisé les données d’entraînement, il devrait reconnaître le même motif dans l’ensemble de test. Source - https://upload.wikimedia.org/wikipedia/commons/0/09/Supervised_machine_learning_in_a_nutshell.svg

Schéma d’un projet d’IA tenté en dernier recours : les exemples étiquetés sont répartis entre ensembles d’entraînement et de test. Le modèle apprend sur le premier, puis est confronté à des exemples inédits du second. S’il a réellement appris la caractéristique recherchée plutôt que mémorisé les données d’entraînement, il devrait reconnaître le même motif dans l’ensemble de test. Source

C’est un peu une tentative désespérée : ces expériences supposent que la caractéristique finira par ressortir si l’IA continue d’examiner les données, et qu’il existe effectivement une « tendance sous-jacente » à révéler. Si nous pouvions reconnaître facilement cette caractéristique, nous n’aurions pas besoin du modèle d’IA, ou nous l’utiliserions uniquement pour automatiser des tâches courantes.

Ce n’est généralement pas le cas ; la plupart de ces recherches sont des explorations à l’aveugle de motifs latents que seule une répétition surhumaine de l’observation permettrait d’apprendre à reconnaître.

Souvent, le motif se révèle insaisissable, voire inexistant, car certains événements et traits peuvent réellement relever du pur hasard ; ou bien les données sont inadéquates, mal préparées ou mal exploitées lors de l’entraînement.

Anticiper

Dans certains cas, l’objectif est si désirable — guérir le cancer, réaliser la fusion nucléaire, dépasser les lois de la thermodynamique, etc. — et si « politiquement séduisant » que la littérature y revient sans cesse, pour déterminer si de meilleures données ou techniques pourraient enfin révéler un motif caractéristique.

L’un de ces domaines est la compréhension automatisée des vidéos, appliquée aux espaces publics et aux activités impliquant la police. Ainsi, cette année, une nouvelle étude a utilisé des vidéos réelles de tentatives de suicide pour repérer des tendances à « s’attarder » avant une tentative et créer un système prédictif capable de détecter la manière caractéristique dont une personne se déplace sur un quai de gare public avant de sauter :

Dans l’article de 2026 « Évaluation du risque de suicide par vidéosurveillance fondée sur l’IA : un cadre interprétable pour la prévention dans les stations de métro », prédictions à partir de deux images : l’une montre une véritable tentative de suicide sur les voies, l’autre une situation sans incident. Les cartes thermiques à côté de chaque image indiquent les zones de risque plus ou moins élevé sur le quai, en fonction de la « tendance à s’attarder » près de l’entrée du tunnel et des motifs observés lors de tentatives antérieures. Source - https://arxiv.org/pdf/2605.22904

Dans l’article de 2026 « Évaluation du risque de suicide par vidéosurveillance fondée sur l’IA : un cadre interprétable pour la prévention dans les stations de métro », prédictions à partir de deux images : l’une montre une véritable tentative de suicide sur les voies, l’autre une situation sans incident. Les cartes thermiques à côté de chaque image indiquent les zones de risque plus ou moins élevé sur le quai, en fonction de la « tendance à s’attarder » près de l’entrée du tunnel et des motifs observés lors de tentatives antérieures. Source

Ici, les « motifs de présence prolongée » — tout à gauche et tout à droite de l’image ci-dessus — typiques d’une personne envisageant de sauter devant un train semblaient présenter une signature distincte, utilisable comme système d’alerte par reconnaissance de motifs dans des circuits de surveillance automatisés.

Un autre axe populaire est la détection ou reconnaissance de la violence. Des systèmes de surveillance sans opérateur pourraient reconnaître des actes violents pour attirer rapidement l’attention humaine, voire déclencher des opérations annexes : signaler les images pour une conservation à long terme et vérifier que l’enregistrement a effectivement lieu, entre autres mesures.

Un test simulé d’un système de détection de la violence d’IVS. Source

Selon de nouvelles recherches de l’University of Alabama, la littérature s’est jusqu’ici concentrée sur la reconnaissance de la violence lorsqu’elle se produit déjà. Pour cette nouvelle étude, les chercheurs ont entraîné un modèle uniquement sur des vidéos antérieures à un événement violent — ou sans événement, pour équilibrer les statistiques — afin de rechercher des caractéristiques « préviolentes » récurrentes et apprenables. Il s’agit ici d’une combinaison de mouvements corporels, d’apparence faciale et de son, susceptible de fournir un signal prédictif de violence plutôt que de réagir après les faits.

Exemples de séquences « à risque » précédant un incident, tirés de l’étude et montrés sur quatre images successives. Le système suit les articulations et les mouvements corporels dans le temps, en recherchant des changements de posture, de vitesse et d’interaction pouvant distinguer les situations qui s’aggravent avant que la violence elle-même ne soit visible. Source - https://arxiv.org/pdf/2609.40014

Exemples de séquences « à risque » précédant un incident, tirés de l’étude « Peut-on anticiper la violence ? Apprentissage multimodal à partir d’indices comportementaux préalables à l’incident », montrés sur quatre images successives. Le système suit les articulations et les mouvements corporels dans le temps, en recherchant des changements de posture, de vitesse et d’interaction pouvant distinguer les situations qui s’aggravent avant que la violence elle-même ne soit visible. Source

Ces travaux risquent bien sûr de susciter des inquiétudes s’ils sont développés ou déployés. Comme je l’ai déjà souligné, des fictions comme la série Person of Interest et le film d’action et de science-fiction de 2002 Minority Report, parmi bien d’autres, reflètent les craintes du public face aux technologies prédictives aux mains de la police ou des autorités réglementaires.

Pour l’heure, prédire la violence à partir d’indices corporels, faciaux et sonores — plutôt que de facteurs comme le contexte, l’heure, le lieu ou les statistiques criminelles historiques — reste une question ouverte, ce domaine de recherche étant très récent selon les auteurs.

Lors des tests, les chercheurs ont comparé les indices d’apparence faciale, de son et de mouvement séparément et en combinaison, avec trois architectures visuelles de base. Les meilleurs résultats associaient les trois signaux, ce qui suggère que l’effet prédictif ne reposait pas sur un seul type d’indice :

« La meilleure configuration, Deit-Tiny avec son, apparence faciale et mouvement, atteint une exactitude de 91,21 %, une exactitude équilibrée de 88,96 %, un score F1 de 93,65 % et une ROC-AUC de 96,38 % sur l’ensemble de test réservé.

« Ces résultats suggèrent que des indices complémentaires d’apparence, d’acoustique et de cinématique apportent des éléments utiles pour reconnaître un risque élevé avant un incident. »

Approche

Le jeu de données constitué pour l’étude provient de la collection XD-Violence et traite conjointement trois modalités : apparence faciale, son et mouvement estimé à partir de la pose :

Chaîne de traitement de l’étude. Chaque clip reçoit une étiquette de risque, ramenée à « sans risque » ou « à risque », puis les données sont réparties entre entraînement, validation et test. Jusqu’à quatre secondes de vidéo sont analysées par trois branches : apparence faciale au fil des images, son converti en spectrogramme et mouvement corporel dérivé de points clés suivis, notamment la vitesse et l’accélération. Les caractéristiques faciales, sonores et de mouvement sont fusionnées en une représentation transmise à un classificateur final, qui attribue au clip une probabilité d’être sans risque ou à risque.

Chaîne de traitement de l’étude. Chaque clip reçoit une étiquette de risque, ramenée à « sans risque » ou « à risque », puis les données sont réparties entre entraînement, validation et test. Jusqu’à quatre secondes de vidéo sont analysées par trois branches : apparence faciale au fil des images, son converti en spectrogramme et mouvement corporel dérivé de points clés suivis, notamment la vitesse et l’accélération. Les caractéristiques faciales, sonores et de mouvement sont fusionnées en une représentation transmise à un classificateur final, qui attribue au clip une probabilité d’être sans risque ou à risque.

L’ensemble ainsi constitué contenait 443 clips précédant un incident ; nous reviendrons sur ce nombre à la fin de l’article.

Selon l’article, les vidéos de XD-Violence ont été sélectionnées parce qu’elles convenaient à l’analyse centrée sur l’humain visée par le projet. De nombreuses approches antérieures comparables s’étaient au contraire concentrées sur la scène entière comme contexte prédictif.

Les clips ne dépassaient pas quatre secondes et étaient échantillonnés à 8 images par seconde. Un Transformer monocouche à huit têtes d’attention regroupait les 32 images obtenues, tandis que des plongements positionnels appris préservaient leur ordre. L’architecture de base restait figée pendant l’entraînement multimodal pour éviter le surapprentissage.

Des exemples de cartes d’activation, comprenant des images faciales, figurent plus haut pour les activations « à risque » et ci-dessous pour les échantillons sans risque :

Exemples sans risque de la branche d’analyse faciale, complétant les exemples de mouvement à risque présentés plus haut. Le visage recadré d’origine apparaît à gauche, suivi de cartes d’activation issues de couches progressivement plus profondes du modèle visuel DeiT-Tiny. Les zones plus chaudes indiquent des réponses caractéristiques plus fortes et montrent comment l’attention du modèle se déplace et devient plus abstraite au fil du réseau.

Exemples sans risque de la branche d’analyse faciale, complétant les exemples de mouvement à risque présentés plus haut. Le visage recadré d’origine apparaît à gauche, suivi de cartes d’activation issues de couches progressivement plus profondes du modèle visuel DeiT-Tiny. Les zones plus chaudes indiquent des réponses caractéristiques plus fortes et montrent comment l’attention du modèle se déplace et devient plus abstraite au fil du réseau.

Le son extrait des clips a été rééchantillonné à 16 kHz, normalisé et aligné sur la fenêtre visuelle correspondante, puis converti en spectrogrammes de magnitude logarithmique standardisés, à l’aide d’une transformée de Fourier à court terme de 512 points et d’une fenêtre de Hann de 400 échantillons :

Comparaison des motifs sonores moyens des clips normaux et à risque précédant un incident. La rangée supérieure montre les clips normaux, la rangée inférieure les clips à risque, depuis l’onde et le spectrogramme d’origine jusqu’aux caractéristiques apprises à trois profondeurs successives du réseau. Les clips à risque présentent davantage de variation temporelle, dont une activité acoustique accrue vers la fin de la fenêtre de quatre secondes. Le réseau transforme progressivement ces différences en caractéristiques de niveau supérieur.

Comparaison des motifs sonores moyens des clips normaux et à risque précédant un incident. La rangée supérieure montre les clips normaux, la rangée inférieure les clips à risque, depuis l’onde et le spectrogramme d’origine jusqu’aux caractéristiques apprises à trois profondeurs successives du réseau. Les clips à risque présentent davantage de variation temporelle, dont une activité acoustique accrue vers la fin de la fenêtre de quatre secondes. Le réseau transforme progressivement ces différences en caractéristiques de niveau supérieur.

Pour la composante de mouvement, les déplacements corporels ont été réduits à des descripteurs numériques dérivés des points clés COCO-17 détectés par un estimateur de pose YOLO.

Douze mesures ont été calculées : vitesse moyenne et maximale, accélération et variation de l’accélération, variation de vitesse, vitesse des poignets et chevilles et énergie globale du mouvement, notamment. Ces valeurs ont été normalisées selon la corpulence, pour que les personnes plus grandes ou corpulentes ne soient pas automatiquement enregistrées comme bougeant davantage. Les mesures de plusieurs personnes d’un même clip ont également été combinées.

Après standardisation par rapport aux données d’entraînement, les caractéristiques de mouvement ont été étendues à une représentation à 64 dimensions et transmises à un Transformer temporel, pour considérer les changements au fil du clip comme une séquence plutôt que comme des images isolées.

Les trois flux ont ensuite été fusionnés, en accordant la part la plus importante à l’apparence faciale, suivie du son puis du mouvement. Après normalisation et désactivation aléatoire de neurones, un classificateur final a converti cette représentation en probabilités « normal » et « à risque », avec un seuil de 0,5.

Pour l’apparence faciale, trois architectures de base préentraînées sur ImageNet ont été utilisées : Swin-Tiny, ViT-Tiny et DeiT-Tiny.

Tests

Les clips ont été étiquetés manuellement selon le comportement visible, le mouvement et le son : Sans risque, Risque faible, Risque moyen ou Risque élevé. Pour la tâche binaire finale, les trois niveaux de risque ont été regroupés en « à risque », tandis que Sans risque devenait « normal ». Pour réduire les fuites entre entraînement et évaluation, les clips d’une même vidéo source sont restés dans la même partition du jeu de données.

L’incident violent lui-même a été retiré de chaque clip à risque, ne laissant au modèle que le comportement antérieur à juger :

Résultats de test montrant comment les performances varient lorsque l’apparence faciale, le son et le mouvement sont utilisés séparément ou ensemble dans les trois architectures visuelles de base. Les tests d’ablation isolent l’apport de chaque flux d’entrée. Des scores plus élevés indiquent de meilleures performances ; les valeurs en gras signalent le meilleur résultat pour chaque mesure.

Résultats de test montrant comment les performances varient lorsque l’apparence faciale, le son et le mouvement sont utilisés séparément ou ensemble dans les trois architectures visuelles de base. Les tests d’ablation isolent l’apport de chaque flux d’entrée. Des scores plus élevés indiquent de meilleures performances ; les valeurs en gras signalent le meilleur résultat pour chaque mesure.

Comme indiqué, DeiT-Tiny combinant les trois modalités a obtenu le meilleur résultat global. Les ablations éclairent l’apport de chaque flux : l’apparence faciale seule était déjà un bon prédicteur, le mouvement donnait des résultats modérés, et le son seul était nettement moins performant.

Les meilleurs résultats associaient visage, son et mouvement, ce qui indique que les flux plus faibles apportaient malgré tout des informations complémentaires utiles au signal visuel.

Bien que le modèle ait seulement appris à distinguer « normal » et « à risque », ses résultats ont aussi été comparés aux quatre étiquettes d’origine : Sans risque, Risque faible, Risque moyen et Risque élevé. Comme illustré ci-dessous, le risque prédit augmente globalement avec ces catégories dans les ensembles d’entraînement, de validation et de test :

Scores de risque prédits pour les quatre catégories initiales. Bien que le modèle soit uniquement entraîné à séparer les clips normaux et à risque, les scores augmentent généralement de Sans risque à Risque élevé dans les ensembles d’entraînement, de validation et de test. La ligne pointillée marque le seuil de décision de 0,50.

Scores de risque prédits pour les quatre catégories initiales. Bien que le modèle soit uniquement entraîné à séparer les clips normaux et à risque, les scores augmentent généralement de Sans risque à Risque élevé dans les ensembles d’entraînement, de validation et de test. La ligne pointillée marque le seuil de décision de 0,50.

Les auteurs commentent :

« Ce résultat est important, car le modèle n’est jamais explicitement entraîné à séparer les risques faible, moyen et élevé. Pourtant, ses prédictions suivent la progression des niveaux de risque d’origine.

« Cela suggère que le modèle saisit des changements significatifs du comportement avant l’incident, plutôt que d’apprendre uniquement une frontière simple entre normal et à risque. Ce résultat montre aussi que des indices comportementaux utiles peuvent apparaître avant le début de l’incident annoté. »

Et ils concluent :

« Ces résultats suggèrent que des informations discriminantes utiles peuvent être présentes avant un incident. Ils soulignent le potentiel d’une analyse de la violence allant au-delà de la détection d’un événement en cours, vers une reconnaissance plus précoce du risque. »

Conclusion

Les chercheurs ont-ils vraiment trouvé une combinaison de traits précédant la violence ? Avec seulement 443 clips, le surapprentissage est un risque notable, auquel les modèles multimodaux et architectures visuelles préentraînées sont particulièrement sujets. L’étude l’atténue partiellement en figeant l’architecture visuelle, en séparant les vidéos sources entre entraînement, validation et test, et en testant plusieurs combinaisons de modalités.

De bonnes performances sur un petit jeu de données ne prouvent pas que le motif sous-jacent soit évident, ni même qu’il existe. Elles peuvent aussi refléter des indices propres au jeu de données, des biais d’annotation, des fuites de sources non empêchées par la partition ou un ensemble de test inhabituellement facile.

En l’état, le résultat est toutefois intrigant précisément parce que le jeu de données est si petit et que le surapprentissage semble avoir été suffisamment prévenu. Il faudrait néanmoins reproduire ces résultats sur un jeu de données plus vaste avant de considérer le motif appris comme « robuste ».

 

Publié initialement le jeudi 1er octobre 2026

Rédacteur spécialisé en apprentissage automatique, expert du domaine de la synthèse d'images humaines. Ancien responsable du contenu de recherche chez Metaphysic.ai, jusqu'à sa dissolution dans Brahma.ai de DNEG.
Site Web: martinanderson.ai
Contact: martin@martinanderson.ai