Reconnaissance d'actions à partir d'un faible nombre de vidéos 2D + profondeur : approche par construction de graphes de scène et apprentissage auto-supervisé

Reconnaissance d'actions à partir d'un faible nombre de vidéos 2D + profondeur : approche par construction de graphes de scène et apprentissage auto-supervisé

L apprentissage par démonstration peut permettre de rendre la robotique plus accessible en ayant simplement à réaliser une tâche devant un robot pour que celui-ci la reproduise ; cependant, il peut être difficile d apprendre des tâches complexes depuis des démonstrations brutes. Une manière de simpl...

Full description

Saved in:
Bibliographic Details
Main Authors : Riand Mathieu (Auteur), Le Callet Patrick (Directeur de thèse), Dollé Laurent (Directeur de thèse), Benoît Alexandre (Président du jury de soutenance, Rapporteur de la thèse), Furet Benoît (Membre du jury), Caplier Alice (Membre du jury), Bailly Kevin (Membre du jury)
Corporate Authors : Nantes Université 2022-.... (Organisme de soutenance), École Doctorale Mathématiques et Sciences et Technologies du numérique, de l Information et de la Communication Nantes (Ecole doctorale associée à la thèse), Laboratoire des Sciences du Numérique de Nantes (Laboratoire associé à la thèse)
Format : Thesis
Language : français
Title statement : Reconnaissance d'actions à partir d'un faible nombre de vidéos 2D + profondeur : approche par construction de graphes de scène et apprentissage auto-supervisé / Mathieu Riand; sous la direction de Patrick Le Callet et de Laurent Dollé
Published : 2023
Online Access : Via Nantes Université network
Online Access note : Accès au texte intégral
Note de thèse : Thèse de doctorat : Traitement du signal et des images : Nantes Université : 2023
Subjects :
Robotique
Traitement d'images > Techniques numériques
Reconnaissance d actions
Graphes de scène
Apprentissage auto-supervisé
GNN ((Graph Neural Network)
Thèses et écrits académiques

Internet

http://www.theses.fr/2023NANU4014/document