Prédiction de posture pour l'anticipation d'intention H/F

Description de l'offre : Cet estimateur devra être en mesure de réaliser son estimation même avec des informations temporelles partielles, en particulier lorsque les informations manquantes sont celles du futur proche. Après une évaluation des approches de l’état de l’art en estimation de squelette 3D à partir d’architecture spatio-temporelle [1] ainsi que l’étude des paradigmes d’analyse prédictive (« pose forecasting ») [2], l’objectif de ce stage sera de proposer une approche permettant d’anticiper au maximum la gestuelle humaine avec la plus grande précision possible. Pour cela de nombreuses bases de données existent, Human3.6M [3], AMASS [4], etc. A l’issue des développements, il sera important d’évaluer les performances de l’approche dans contextes variés tels que le véhicule autonome, l’assistance des personnes âgées ou la robotique. Les travaux menés durant le stage pourront faire l’objet d’une publication scientifique. Références [1] W. Zhu, X. Ma, Z. Liu, L. Liu, W. Wu, et Y. Wang, « MotionBERT: A Unified Perspective on Learning Human Motion Representations », ICCV, 2023. [2] T. Sofianos, A. Sampieri, L. Franco, et F. Galasso, « Space-Time-Separable Graph Convolutional Network for Pose Forecasting », in 2021 IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada: IEEE, oct. 2021, p. 11189‑11198. doi: 10.1109/ICCV48922.2021.01102. [3] C. Ionescu, D. Papava, V. Olaru, et C. Sminchisescu, « Human3.6M: Large Scale Datasets and Predictive Methods for 3D Human Sensing in Natural Environments », IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 36, nᵒ 7, p. 1325‑1339, juill. 2014, doi: 10.1109/TPAMI.2013.248. [4] N. Mahmood, N. Ghorbani, N. F. Troje, G. Pons-Moll, et M. Black, « AMASS: Archive of Motion Capture As Surface Shapes », in 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea (South): IEEE, oct. 2019, p. 5441‑5450. doi: 10.1109/ICCV.2019.00554. [5] Y. Yuan et K. Kitani, « Ego-Pose Estimation and Forecasting As Real-Time PD Control », in 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea (South): IEEE, oct. 2019, p. 10081‑10091. doi: 10.1109/ICCV.2019.01018.

Présentation de l’institut : Basé à Paris-Saclay, le CEA List est l'un des quatre instituts de recherche technologique de CEA Tech, direction de la recherche technologique du CEA. Dédié aux systèmes numériques intelligents, il contribue au développement de la compétitivité des entreprises par le développement et le transfert de technologies. L'expertise et les compétences développées par les 800 ingénieurs-chercheurs et techniciens du CEA List permettent à l'Institut d'accompagner chaque année plus de 200 entreprises françaises et étrangères sur des projets de recherche appliquée s'appuyant sur 4 programmes et 9 plateformes technologiques. 21 start-ups ont été créées depuis 2003. Labellisé Institut Carnot depuis 2006, le CEA List est aujourd'hui l'institut Carnot Technologies Numériques Le Laboratoire de Vision et Apprentissage pour l'analyse de scène (LVA) mène ses recherches dans le domaine de la Vision par Ordinateur (Computer Vision) selon quatre axes principaux : • La reconnaissance visuelle (détection et/ou segmentation d'objets, de personnes, de patterns ; détection d'anomalies ; caractérisation) • L'analyse du comportement (reconnaissance de gestes, d'actions, d'activités, de comportements anormaux ou spécifiques pour des individus, un groupe, une foule) • Annotation intelligente (annotation à grande échelle de données visuelles 2D/3D de manière semi-automatique) • Perception et décision (processus de décision markovien, navigation)

Profil du candidat : Niveau demandé : Ingénieur, Master 2 Ce stage ouvre la possibilité de poursuite en thèse et ingénieur R&D dans notre laboratoire. Durée : 6 mois Rémunération : entre 700 € et 1300 € suivant la formation. Compétences requises : Vision par ordinateur Apprentissage automatique (deep learning) Géométrie 3D et Reconnaissance de formes Python, C/C++ Maîtrise d’un framework d’apprentissage profond (en particulier PyTorch ou Tensorflow)

Diplome préparé : Bac+5 - Master 2