Doctorant F/H Conception d'un modèle de fondation pour la reconnaissance d'actions dans les flux vidéo de drones

Le centre Inria d'Université Côte d'Azur regroupe 42 équipes de recherche et 9 services d’appui. Le personnel du centre (500 personnes environ) est composé de scientifiques de différentes nationalités, d’ingénieurs, de techniciens et d’administratifs. Les équipes sont principalement implantées sur les campus universitaires de Sophia Antipolis et Nice ainsi que Montpellier, en lien étroit avec les laboratoires et les établissements de recherche et d'enseignement supérieur (Université Côte d’Azur, CNRS, INRAE, INSERM ...), mais aussi avec les acteurs économiques du territoire.

Présent dans les domaines des neurosciences et biologie computationnelles, la science des données et la modélisation, le génie logiciel et la certification, ainsi que la robotique collaborative, le Centre Inria d’Université Côte d’Azur est un acteur majeur en termes d'excellence scientifique par les résultats obtenus et les collaborations tant au niveau européen qu'international.

Inria, l'Institut national français d'informatique et de mathématiques appliquées, promeut "l'excellence scientifique au service du transfert de technologie et de la société". 

Diplômés des plus grandes universités mondiales, les 2 700 collaborateurs d'Inria relèvent les défis des sciences numériques. Grâce à son modèle ouvert et agile, Inria est en mesure d'explorer des approches originales avec ses partenaires industriels et académiques et de répondre efficacement aux défis pluridisciplinaires et applicatifs de la transformation numérique. Inria est à l'origine de nombreuses innovations qui apportent de la valeur ajoutée et créent des emplois.

Equipe :

L'équipe de recherche STARS associe une théorie avancée à une pratique de pointe axée sur les systèmes de vision cognitive.

Site Web de l'équipe : https://team.inria.fr/stars

1 - Objet de la thèse

Dans ce projet de thèse, nous visons à concevoir un nouveau modèle de fondation unifiant séquences de squelettes (i.e., postures des personnes) et actions RVB, pour cibler à la fois la classification et la segmentation des actions humaines à partir de flux vidéo acquis par des drones. Ce modèle de fondation traitera les séquences de squelettes humains ou les clips vidéo RVB en utilisant une architecture Transformer pour extraire des caractéristiques génériques.

2 - Descriptif (objectifs, aspects innovants)

Les problèmes posés par ce travail de thèse consistent principalement à concevoir un nouveau modèle de fondation unifiant les séquences de squelettes (i.e., posture 2D ou 3D) et les actions RVB sémantiques. Un premier défi consiste à rassembler suffisamment de données pour l’entraînement du modèle, rassemblant en même temps des actions RVB et des annotations de squelettes suffisamment précises. Un autre défi est d’arriver à construire un modèle générique unifiant des données hétérogènes comme le sont les données squelettes par rapport aux actions RVB et aux données textes (i.e., sémantiques). Pour cela, il faudra concevoir des pré-taches d’auto-apprentissage spécifiques permettant de construire un modèle générant des représentations génériques d’actions humaines à
partir de flux vidéo acquis par des drones.

L’objectif général de la thèse est d’étendre et adapter les modèles de fondation Langage Visuel (e.g., CLIP) aux modèles pouvant être appliqués à des vidéos issues de caméras de vidéosurveillance et en particulier de flux vidéos provenant de drones. Il s’agira de construire une base de données vidéos (appelée Skeletics), spécifiques aux applications de vidéosurveillance et de vidéos issues de drones et de tester ces modèles aux cas d’analyse de vidéos issues de drones et de la reconnaissance d’actions centrées sur l’homme (c’est-à-dire la classification ou la segmentation d’actions). Comme cette détection sera générique et sémantique, elle pourra combiner des détections d’action à partir de drones (i.e., entre plusieurs drones), mais également avec des caméras de vidéosurveillance installées au sol.

Résultats attendus

Les contributions de cette thèse de doctorat seront les suivantes :

1. 
   Nous concevrons T-MOR, un nouveau modèle de fondation basé sur les mouvements de squelette transférable qui peut être généralisé à des tâches de reconnaissance d’actions centrées sur l’homme dans des vidéos réelles. Nous proposons d’améliorer la capacité de représentation des modèles vidéo de Langage Visuel récents en utilisant des données de mouvement humain et un apprentissage contrastif multimodal.
2. 
   Nous construirons Skeletics, une nouvelle base de données vidéos d’action à grande échelle centrées sur le mouvement humain, comprenant des annotations de bonne qualité sur le squelette humain en 2D et en 3D, pour l’apprentissage de modèles génériques de mouvements de squelette.
3. 
   Nous mènerons une étude de validation et montrerons que le pré-entraînement de T-MOR sur Skeletics et son transfert sur un ensemble de données vidéo cibles, représentent une méthodologie générique et efficace pour la reconnaissance d’action. Nous montrerons que le modèle de fondation d’action squelette-RGB-texte appris est suffisamment général pour améliorer de nombreuses tâches de reconnaissance d’actions (c’est-à-dire la classification ou la segmentation d’actions) à partir de vid´eos de drones ou de vid´eos au sol ou avec uniquement des descriptions textuelles, des clips vidéo RVB ou uniquement des séquences de squelettes.

L’objectif est d’avoir un modèle de fondation suffisamment générique pour être directement utilisable sur de nouvelles vidéos de drones. Pour valider ce modèle, on le testera sur de nouvelles vidéos qui n’auront pas été observées et n’appartenant pas à l’ensemble d’apprentissage. Ce modèle de fondation pourra être utilisé dans une large gamme d’application, par exemple comme la gestion de catastrophes naturelles. Ainsi, un drone envoyé sur un terrain d’observation pourra par lui-même automatiquement détecter des situations d’urgence, par exemple, une personne faisant des signes de détresse et envoyer une alerte directement au poste de commandement ou poste de secours.

Des connaissances dans les domaines suivants seront appréciées :

• Expérience dans les langages de programmation C++/Python,
• Apprentissage automatique, réseaux neuronaux profonds, PyTorch, TensorFlow
• Modèles graphiques probabilistes,
• Vision par ordinateur, et techniques d'optimisation (descente de gradient stochastique, Message-passing).

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés : 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Participation mutuelle (sous conditions)

2100€ brut mensuel (année 1 & 2) et 2190€ brut mensuel (année 3)