Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

12 avril 2018

Thèse à l'université de La Rochelle (lab. MIA)


Catégorie : Doctorant


Proposition de thèse : Reconnaissance et analyse d'activités sportives dans des vidéos par apprentissage dans le simplexe sémantique.

Encadrants : R. Péteri (Mcf) et L. Mascarilla (Mcf, HDR)

Laboratoire d'accueil : Laboratoire Mathématiques, Images et Applications (MIA), EA 3165, université de La Rochelle

Financement : Bourse de l’établissement avec possibilité d'heures d'enseignements.

Contexte : le contexte de cette thèse est celui d'une coopération sur la reconnaissance d'actions humaines, essentiellement de gestes sportifs, au niveau de la Nouvelle Aquitaine. Ce sujet est par essence multidisciplinaire et inter-établissements grâce à un projet région obtenu lors du dernier appel à projet : il réunit des équipes de la région spécialisées en vision par ordinateur et en traitement du signal et des images mais aussi des compétences en analyse du mouvement ou en biomécanique humaine. Enfin, une collaboration étroite avec le STAPS Bordeaux permet de solliciter les étudiants spécialistes des activités physiques et sportives dont des sportifs de haut niveau.

Accompagnement du doctorant :

  • A la Rochelle, l’encadrement scientifique sera assuré par L. Mascarilla et R. Péteri.
  • Du côté STAPS, le doctorant interagira avec un ingénieur et un enseignant du STAPS pour la captation des séquences.
  • Au niveau matériel, le doctorant disposera des ressources informatiques du MIA, notamment des serveurs de calcul, ainsi que des infrastructures et du matériel du STAPS (salles de sport, caméras rapides, ...).
 

Sujet

Nous souhaitons développer des méthodes en vision par ordinateur sans marqueurs pour permettre l’acquisition, la reconnaissance, et l'analyse de gestes sportifs. Le but est ainsi d’optimiser l’apprentissage et l’entrainement d'étudiants en faculté des sports ou en clubs.

Nous proposerons donc dans cette thèse une méthode et des outils pour analyser et reconnaître des activités sportives dans des vidéos dans des conditions non contrôlées (contexte dit "écologiques"). Le doctorant construira une méthode de reconnaissance d'activités en considérant ces dernières comme un enchainement temporel d'actions élémentaires. Les approches par apprentissage profond (Deep Learning) seront utilisées pour calculer les probabilités d'actions élémentaires effectuées au cours du temps. Ces méthodes innovantes sont très prometteuses dans le domaine de l’apprentissage machine (machine learning). L’utilisation de ces approches sur des vidéos et pour la reconnaissance d’actions est très récente, et se base principalement sur l’information spatiale (les plans couleurs des pixels de la vidéo). L’utilisation de l’information temporelle reste néanmoins assez rudimentaire, et ne prend pas en compte la compensation du mouvement de la caméra ou les erreurs dans l’estimation du mouvement. Nos travaux intégreront cette information dans l’apprentissage profond afin d’obtenir des séquences temporelles de probabilités décrivant l’action sportive effectuée. Ces probabilités évoluent sur une variété statistique appelée simplexe sémantique. Une activité est alors représentée comme une trajectoire dans cet espace et le descripteur associé devra prendre en compte la géométrie induite par le simplexe sémantique. Un effort sera mis pour proposer des outils efficaces et génériques dans ce cadre mathématique qu'est ce simplexe sémantique. La méthode devra aussi n'utiliser que peu de données d'apprentissage et être efficace calculatoirement.

Cette thèse fait suite à celle de M. Cyrille Beaudry dont les travaux serviront de point de départ :
https://tel.archives-ouvertes.fr/tel-01661437

Candidat

Le candidat devrait avoir un Master Recherche en Traitement du Signal et de l'image ou en Informatique ou en Intelligence Artificielle; des compétences en mathématiques ainsi que la connaissance du langage Python (numpy, scikit...) seraient souhaitables.

Candidature

Les candidats doivent envoyer un email à Laurent Mascarilla (lmascari@univ-lr.fr) ou à Renaud Péteri (rpeteri@univ-lr.fr) avec un CV et une lettre de de motivation circonstanciée avant le 25 mai 2018.

 

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.