Toutes nos félicitations à Reda Belaiche qui a brillamment soutenu sa thèse intitulée « Analyse temps réel des micro-expressions par vision artificielle ».

Composition du Jury :
Pr. Eva DOKLADALOVA, Maître de Conférences-HDR, ESIEE Rapportrice
Pr. Sabir JACQUIR, Professeur, Université Paris-Saclay Rapporteur
Pr. Frédéric MORAIN-NICOLIER, Professeur, Université de Reims Examinateur
Pr. Fan YANG, Professeure, ImViA, UBFC Directrice de thèse
Pr. Dominique GINHAC, Professeur, ImViA, UBFC Codirecteur de thèse
Dr. Cyrille MIGNIOT, Maître de Conférences, ImViA, UBFC Coencadrant de thèse

Résumé :

Les technologies de l’interaction homme-machine se concentrent de plus en plus sur l’être humain, que ce soit sur son identité, ou bien sur son état physique et mental. Des progrès conséquents ont été réalisés depuis quelques décennies. Cependant l’étude des pensées et des émotions reste encore un domaine peu développé, mais qui a commencé à grandement gagner en intérêt.
L’une des pistes les plus étudiées dans la recherche autours des émotions humaines est l’apparition et le décodage des expressions faciales. L’homme est instinctivement conscient des macro-expressions faciales, et un nombre conséquent d’études se concentrent sur elles. Il existe cependant un autre type d’expressions faciales dont la majorités des être humain ne sont pas conscient: les micro-expressions du visage. Celle-ci sont caractérisé par leur courte durées et leur très faible intensité. La communauté scientifique en vision par ordinateur étudie depuis quelques années la possibilité de reconnaître automatiquement les micro-expressions à l’aide de cameras rapides et de programmes informatiques. Il s’agit néanmoins d’un problème difficile, de par la nature de ces micro-expression. Les récents progrès du machine learning permettent d’adopter des méthodes nouvelles et efficaces pour résoudre diverses tâches de vision par ordinateur applicable à la reconnaissance de micro-expressions.
Basée sur les dernières avancées techniques en machine learning, l’objectif de cette thèse est d’établir un système de reconnaissance des émotions sans contact et temps réel. Il devra respecter plusieurs contraintes liées aux applications grand-public: robustesse et flexibilité, faible coût, usage simple et capacité à être embarqué à moindre coût énergétique. Notre but est de proposer des méthodes originales en mettant l’accent sur la rapidité d’exécution et les faibles besoins en mémoire : Nous concevons des méthodes de classification basée sur des classificateurs classiques (comme le Local Binary Patterns on Three orthogonal Planes) dans un premier temps. Nous concevons plus tard des architectures de réseaux de neurones spécialement adaptée à la classification de micro-expressions. En continuité de cela nous déployons notre chaîne de traitement complète sur l’un des systèmes embarqués les plus accessibles.
Nous avons étudié la possibilité de réduire besoins en mémoire et en calculs nécessaires pour classifier des micro-expressions en faisant le minimum de concessions possible sur l’efficacité du système. Avec des résultats similaires au méthodes actuelles, nous avons pu considérablement réduire ces besoins. Nous avons finalement démontré la possibilité d’exécution en condition réel d’un système complet et rentable pour la reconnaissance de micro-expressions .

kc_data:

a:8:{i:0;s:0:"";s:4:"mode";s:0:"";s:3:"css";s:0:"";s:9:"max_width";s:0:"";s:7:"classes";s:0:"";s:9:"thumbnail";s:0:"";s:9:"collapsed";s:0:"";s:9:"optimized";s:0:"";}

kc_raw_content:

Toutes nos félicitations à Reda Belaiche qui a brillamment soutenu sa thèse intitulée "Analyse temps réel des micro-expressions par vision artificielle".

Composition du Jury :
Pr. Eva DOKLADALOVA, Maître de Conférences-HDR, ESIEE Rapportrice
Pr. Sabir JACQUIR, Professeur, Université Paris-Saclay Rapporteur
Pr. Frédéric MORAIN-NICOLIER, Professeur, Université de Reims Examinateur
Pr. Fan YANG, Professeure, ImViA, UBFC Directrice de thèse
Pr. Dominique GINHAC, Professeur, ImViA, UBFC Codirecteur de thèse
Dr. Cyrille MIGNIOT, Maître de Conférences, ImViA, UBFC Coencadrant de thèse

Résumé :

Les technologies de l'interaction homme-machine se concentrent de plus en plus sur l'être humain, que ce soit sur son identité, ou bien sur son état physique et mental. Des progrès conséquents ont été réalisés depuis quelques décennies. Cependant l'étude des pensées et des émotions reste encore un domaine peu développé, mais qui a commencé à grandement gagner en intérêt.
L’une des pistes les plus étudiées dans la recherche autours des émotions humaines est l’apparition et le décodage des expressions faciales. L’homme est instinctivement conscient des macro-expressions faciales, et un nombre conséquent d’études se concentrent sur elles. Il existe cependant un autre type d’expressions faciales dont la majorités des être humain ne sont pas conscient: les micro-expressions du visage. Celle-ci sont caractérisé par leur courte durées et leur très faible intensité. La communauté scientifique en vision par ordinateur étudie depuis quelques années la possibilité de reconnaître automatiquement les micro-expressions à l’aide de cameras rapides et de programmes informatiques. Il s'agit néanmoins d'un problème difficile, de par la nature de ces micro-expression. Les récents progrès du machine learning permettent d'adopter des méthodes nouvelles et efficaces pour résoudre diverses tâches de vision par ordinateur applicable à la reconnaissance de micro-expressions.
Basée sur les dernières avancées techniques en machine learning, l'objectif de cette thèse est d'établir un système de reconnaissance des émotions sans contact et temps réel. Il devra respecter plusieurs contraintes liées aux applications grand-public: robustesse et flexibilité, faible coût, usage simple et capacité à être embarqué à moindre coût énergétique. Notre but est de proposer des méthodes originales en mettant l’accent sur la rapidité d’exécution et les faibles besoins en mémoire : Nous concevons des méthodes de classification basée sur des classificateurs classiques (comme le Local Binary Patterns on Three orthogonal Planes) dans un premier temps. Nous concevons plus tard des architectures de réseaux de neurones spécialement adaptée à la classification de micro-expressions. En continuité de cela nous déployons notre chaîne de traitement complète sur l’un des systèmes embarqués les plus accessibles.
Nous avons étudié la possibilité de réduire besoins en mémoire et en calculs nécessaires pour classifier des micro-expressions en faisant le minimum de concessions possible sur l’efficacité du système. Avec des résultats similaires au méthodes actuelles, nous avons pu considérablement réduire ces besoins. Nous avons finalement démontré la possibilité d’exécution en condition réel d’un système complet et rentable pour la reconnaissance de micro-expressions .

extrait:

lien_externe:

equipe:

a:1:{i:0;s:5:"CORES";}

tags:

Évenement