Automatic non linear metric learning : Application to gesture recognition

Résumé : Cette thèse explore la reconnaissance de gestes à partir de capteurs inertiels pour Smartphone. Ces gestes consistent en la réalisation d'un tracé dans l'espace présentant une valeur sémantique, avec l'appareil en main. Notre étude porte en particulier sur l'apprentissage de métrique entre signatures gestuelles grâce à l'architecture "Siamoise" (réseau de neurones siamois, SNN), qui a pour but de modéliser les relations sémantiques entre classes afin d'extraire des caractéristiques discriminantes. Cette architecture est appliquée au perceptron multicouche (MultiLayer Perceptron). Les stratégies classiques de formation d'ensembles d'apprentissage sont essentiellement basées sur des paires similaires et dissimilaires, ou des triplets formés d'une référence et de deux échantillons respectivement similaires et dissimilaires à cette référence. Ainsi, nous proposons une généralisation de ces approches dans un cadre de classification, où chaque ensemble d'apprentissage est composé d’une référence, un exemple positif, et un exemple négatif pour chaque classe dissimilaire. Par ailleurs, nous appliquons une régularisation sur les sorties du réseau au cours de l'apprentissage afin de limiter les variations de la norme moyenne des vecteurs caractéristiques obtenus. Enfin, nous proposons une redéfinition du problème angulaire par une adaptation de la notion de « sinus polaire », aboutissant à une analyse en composantes indépendantes non-linéaire supervisée. A l'aide de deux bases de données inertielles, la base MHAD (Multimodal Human Activity Dataset) ainsi que la base Orange, composée de gestes symboliques inertiels réalisés avec un Smartphone, les performances de chaque contribution sont caractérisées. Ainsi, des protocoles modélisant un monde ouvert, qui comprend des gestes inconnus par le système, mettent en évidence les meilleures capacités de détection et rejet de nouveauté du SNN. En résumé, le SNN proposé permet de réaliser un apprentissage supervisé de métrique de similarité non-linéaire, qui extrait des vecteurs caractéristiques discriminants, améliorant conjointement la classification et le rejet de gestes inertiels.
Type de document :
Thèse
Artificial Intelligence [cs.AI]. Université de Lyon, 2016. English. <NNT : 2016LYSEI014>
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01379579
Contributeur : Abes Star <>
Soumis le : jeudi 23 mars 2017 - 18:49:26
Dernière modification le : mercredi 12 avril 2017 - 16:20:10

Fichier

these.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01379579, version 2

Collections

Citation

Samuel Berlemont. Automatic non linear metric learning : Application to gesture recognition. Artificial Intelligence [cs.AI]. Université de Lyon, 2016. English. <NNT : 2016LYSEI014>. <tel-01379579v2>

Partager

Métriques

Consultations de
la notice

143

Téléchargements du document

35