Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

3 mars 2021

Deep Learning et natation : capture de mouvement et interprétation


Catégorie : Doctorant


L’objectif de cette thèse est la réalisation d’une preuve de concept d’un système « à bas coût » de suivi d’une activité de nage en piscine, basé sur de l’intelligence artificielle en vision par ordinateur. Ce travail est cofinancé par l’EUR Digisport (https://digisport.univ-rennes.fr/) et la région Bretagne.

Un système de captation des mouvements d’un nageur en piscine est un outil permettant de caractériser et d’évaluer différents aspects du mouvement du sportif, tel que le rythme, l’ampleur, ou l’efficacité de ses mouvements. Ces informations donnent à un nageur, ou à son entraineur, des éléments objectifs afin de l’aider à corriger ces défauts ou améliorer ses performances. Rendu complexe par le milieu aquatique, des systèmes existants de captation du mouvement sont coûteux et lourd à mettre en place [qualisis], [simi]. Côté capteurs, plusieurs caméras classiques et infra-rouge, à côté du bassin et subaquatiques sont nécessaires. Côté sportif, celui-ci doit être équipé de marqueurs. Du fait de la complexité et du coût de ces infrastructures, ces systèmes sont réservés aux nageurs de haut niveau, et utilisable sur des séances restreintes.

 

L’objectif est d’étudier la faisabilité d’un système de captation des mouvements n’utilisant qu’un ou plusieurs capteurs optiques disponibles dans le commerce, de type go-pro par exemple, et pouvant être installé autour de n’importe quel bassin. De tels systèmes sans marqueurs commencent à voir le jour [Nakano 2020]. Il s’agira d’étudier la possibilité de reconstruire avec précision les mouvements d’un nageur à partir des images prises par de tels capteurs.

Nous proposons de travailler dans cette thèse sur des réseaux de neurones profonds de type Hourglass pour détecter la pose du nageur. Ces réseaux, contrairement à l’état de l’art, seront multimodaux (plusieurs angles de vues en entrée) et intègreront la dimension temporelle (traitement de vidéos par des LSTM intégrés dans les Hourglass). Ils bénéficieront d’une modélisation du mouvement du nageur au travers de la création d’un espace latent produit par des LSTM-VAE multimodaux. Une base de données sera produite et mise à disposition de la communauté pour participer au rayonnement international de Digisport.

Les tests seront principalement réalisés dans la piscine olympique de Brequigny à Rennes en partenariat avec Matthieu Burban, ancien entraîneur de Camille Lacourt et Florent Manaudou et actuellement Directeur du Pôle France de natation de la ville de Rennes.

Lieu de la thèse : Campus de Rennes de CentraleSupélec.

Profil recherché : Master II en Traitement du Signal, Mathématique appliquée ou Intelligence Artificielle

Merci d'envoyer CV, Notes de Master, Lettre de Recommandation et Lettre de Motivation à renaud.seguier@centralesupelec.fr

 
[Nakano 2020] https://www.frontiersin.org/articles/10.3389/fspor.2020.00050/full#F1
[openpose] https://github.com/CMU-Perceptual-Computing-Lab/openpose
[qualisis] https://www.qualisys.com/applications/human-biomechanics/underwater-human-motion/
[simi] http://www.simi.com/en/applications/sport/swimming-analysis.html
 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.