Vous êtes cordialement invités!
Présentation publique – Projet de thèse de la personne étudiante Safwen NAIMI
Date : 18 mars 2025
Heure : 9h00
Lien zoom: https://uqam.zoom.us/j/89678175580(il est important d'être présent à l'heure et d'inscrire votre nom en entier lors de la connexion)
Programme : Doctorat en informatique cognitive, UQAM
TITRE : Vidéosurveillance intelligente pour la détection automatique des comportements suicidaires
RÉSUMÉ :
Le suicide est une problématique complexe et un défi majeur de santé publique à l’échelle mondiale, représentant une cause significative de mortalité prématurée. Chaque année, des milliers de personnes se retrouvent en situation de crise dans des espaces publics, comme les stations de métro, où la détection proactive des comportements à risque pourrait prévenir des tragédies. Les approches traditionnelles de vidéosurveillance reposent sur l’intervention humaine, et ont de ce fait des limites importantes, telles que la fatigue des opérateurs et la difficulté d’interpréter des signaux subtils dans des environnements encombrés et très fréquentés. Ces défis rendent nécessaire le développement de solutions innovantes intégrant des outils de vision par ordinateur et d’intelligence artificielle.
Cette proposition de recherche propose une approche interdisciplinaire pour détecter et prévenir les comportements pré-suicidaires en s’appuyant sur des technologies de pointe. Le premier volet de notre projet inclut la création d’une base de données exclusive basée sur des vidéos de surveillance, ainsi que l’analyse approfondie des comportements associés aux risques suicidaires. Cette base de données servira de fondement au développement d’algorithmes avancés pour la détection des comportements pré-suicidaires. Les travaux du deuxième volet de notre projet s’inscrivent dans le domaine de la vidéosurveillance intelligente. Trois approches principales seront étudiées : (1) Le développement de méthodes de reconnaissance d’action humaine (RAH). Ces méthodes seront basées sur des données squelettiques offrant une robustesse dans des environnements complexes en minimisant les effets des variations d'éclairage, des occlusions et des arrière-plans encombrés, tout en mettant en évidence les relations spatio-temporelles des mouvements humains pour une identification précise des comportements à risque. (2) Le développement d’algorithmes de segmentation sémantique pour identifier les zones critiques des stations, telles que les quais et les lignes jaunes, permettant une intégration contextuelle dans l’analyse des trajectoires des passagers. (3) L’analyse des trajectoires des passagers, visant à détecter les mouvements inhabituels ou répétitifs, tels que le va-et-vient prolongé ou le stationnement prolongée près de la ligne jaune, qui pourraient indiquer des comportements à risque nécessitant une intervention proactive.
Outre ses contributions scientifiques, ce projet vise à réduire les pertes humaines dans les stations de métro tout en ouvrant de nouvelles perspectives pour les systèmes de surveillance intelligente. Nous contribuons à renforcer la capacité des systèmes de surveillance à intervenir de manière proactive.
Jury :
Roger Villemaire (président du jury)
Johanne Saint-Charles
Mohamed Bouguessa
Wassim Bouachir (direction de recherche)
Brian L. Mishara et Guillaume-Alexandre Bilodeau (codirection de recherche)
Non classifié(e)
Séminaire DIC-ISC-CRIA – 15 septembre 2022 avec Jean-Pierre BRIOT
Titre : Music creation with deep learning techniques: Achievements and challenges
Résumé :
A growing application area for the current wave of deep learning (the return of artificial neural networks on steroids) is the generation of creative content, notably the case of music (and also images and text). The motivation is in using machine learning techniques to automatically learn musical styles from arbitrary musical corpora and then to generate musical samples from the estimated distribution, with some degree of control over the generation. This talk will survey some recent achievements in deep-learning-based music generation, using recent and dedicated generative architectures such as VAE, GAN and Transformer, analyzing principles, successes as well as challenges, including the limits of automated generation versus providing assistance to human musicians.
Bio :
Jean-Pierre BRIOT is a senior researcher (research director) in computer science at LIP6, joint computer science research lab of CNRS (Centre National de la Recherche Scientifique) and Sorbonne Université in Paris, France. He is also permanent visiting professor at PUC-Rio in Rio de Janeiro, Brazil. His general research interests are the design of intelligent adaptive and cooperative software, at the crossroads of artificial intelligence, distributed systems and software engineering, with various applications in the internet of things, decision support systems and computer music. His current interest is the use of AI techniques (notably deep learning-based) within music creation processes. He is the principal author of a recent reference book on deep learning techniques for music generation (Springer, 2020). https://link.springer.com/book/10.1007/978-3-319-70163-9
For more details (including access to publications): http://webia.lip6.fr/~briot/cv/
Briot, J. P. (2021). From artificial neural networks to deep learning for music generation: history, concepts and trends. Neural Computing and Applications, 33(1), 39-65.
https://hal.sorbonne-universite.fr/hal-02539189v3/file/nn4music-hal-v3.pdf
Briot, J. P. (2019). Apprentissage profond et génération de musique, Hors série Intelligence artificielle, Tangente - L'aventure mathématique, (68):30-37, September 2019.
https://webia.lip6.fr/~briot/cv/apgm-2019