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...

Description complète

Détails bibliographiques
Auteurs principaux : 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)
Collectivités auteurs : Nantes Université 2022-.... (Organisme de soutenance), École doctorale Mathématiques et Sciences et Technologies du numérique, de l Information et de la Communication Nantes 2022-.... (Ecole doctorale associée à la thèse), Laboratoire des Sciences du Numérique de Nantes (Laboratoire associé à la thèse)
Format : Thèse ou mémoire
Langue : français
Titre complet : 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
Publié : 2023
Accès en ligne : Accès Nantes Université
Note sur l'URL : Accès au texte intégral
Note de thèse : Thèse de doctorat : Traitement du signal et des images : Nantes Université : 2023
Sujets :
Robotique
Traitement d'images > Techniques numériques
Reconnaissance d actions
Graphes de scène
Apprentissage auto-supervisé
GNN ((Graph Neural Network)
Thèses et écrits académiques
Table des matières indisponible