Apprentissage par transfert pour l`analyse des
Transcription
Apprentissage par transfert pour l`analyse des
Apprentissage par transfert pour l’analyse des expressions faciales en environnement non contraint Contexte L’analyse des expressions faciales vise à extraire de manière automatique ces indices dans une image ou un flux vidéo. Il s’agit d’un domaine de recherche très actif à l’interface de la vision par ordinateur et de l’apprentissage artificiel. L’objectif de ce stage est de concevoir des méthodes de reconnaissance d’expressions faciales en environnement non contraint avec pour premier domaine d’application visé, l’Interaction Homme/Machine (robot, dispositif interactif, agent virtuel). Depuis une quinzaine d’années, les recherches sur l’analyse automatique des visages ont connu des avancées formidables et les technologies actuelles sont suffisamment matures pour être exploitées dans des applications et des services commerciaux tels que la capture de mouvements faciaux sans marqueurs (Dynamixyz, Face shift), l’analyse de l’engagement émotionnel des consommateurs pour le marketing (Affectiva, Realeyes, Emotient) ou l’analyse des expressions faciales dans le cadre d’études comportementales (Noldus Facereader). Toutefois, les méthodes actuelles de reconnaissance des expressions faciales ont une capacité́ de généralisation limitée lorsque les données de test diffèrent sensiblement de celles d’apprentissage. Les expressions faciales sont très variables dans leur dynamique et leur intensité́ , et l’apparence d’un visage est influencée par de nombreux facteurs indépendants de l’expression tels que la pose, l’identité́ du sujet, son âge, son ethnie ou encore les conditions d’illumination et le type de camera utilisé. Les méthodes proposées dans la littérature sont optimisées sur un nombre relativement restreint de données acquises en laboratoire (domaine source), limitant ainsi leur capacité́ à s’adapter à de nouvelles conditions de test (c’est à dire à un nouveau domaine cible). Sujet du stage Afin de répondre au problème crucial de la généralisation aux données inconnues, l’objectif scientifique de ce stage est de concevoir des méthodes qui s’appuient sur l’apprentissage par transfert (cf. figure 1). L’apprentissage par transfert fournit un cadre théorique et méthodologique intéressant permettant d’adapter un modèle appris à partir d’un domaine et d’une tâche source vers un nouveau domaine et/ou une nouvelle tâche cible. Le domaine fait référence à l’espace de représentation des données ainsi qu’à la répartition de ces données dans cet espace ; la tâche désigne à la fois l’espace des labels et la fonction de prédiction qui associe un label à un exemple de test. Par exemple, pour une tâche de classification d’expressions faciales, les exemples labélisés peuvent être des images de visage auxquelles on associe une catégorie d’émotion (joie, colère, tristesse…). Si ces images ont été capturées dans des conditions spécifiques (en intérieur avec une caméra haute résolution par exemple), le système appris sur le domaine source ne pourra certainement pas être appliqué directement sur une image de visage prise en extérieur par une webcam. Pour autant il serait intéressant de transférer le domaine source vers le domaine cible car il est couteux et parfois impossible d’annoter les données cibles. Figure 1: Principe général de (a) l’apprentissage automatique traditionnel et (b) l’apprentissage par transfert Tâches à réaliser La première partie de stage sera consacrée à l’état de l’art sur des méthodes d’apprentissage par transfert pour l’analyse des expressions faciales. La seconde partie du stage portera sur la conception et la mise en œuvre d’une méthode d’apprentissage par transfert appliquée à un scénario concret d’analyse faciale. Cette seconde partie pourra s’appuyer sur les outils et les bases de données dont dispose le laboratoire. Profil du candidat Etudiant en dernière année d'un master recherche ou d’une Grande École. Compétences recherchées : • Apprentissage statistique / reconnaissance des formes • Traitement du signal et des images • Programmation Matlab et/ou C/C++ Encadrement Kévin Bailly ([email protected]) Lieu du stage Institut des Systèmes Intelligents et de Robotique (ISIR) Université Pierre et Marie Curie-Paris 6 4, place Jussieu, 75005 Paris Pour candidater Merci d’envoyer par mail ([email protected] ) les informations suivantes : • CV • Lettre de motivation • Résultats académiques Quelques références S. J. Pan and Q. Yang. A Survey on Transfer Learning. In IEEE Trans. on Knowledge and data engineering. 2010. T. Almaev, B. Martinez, and M. Valstar. Learning to transfer : transferring latent task structures and its application to person-specific facial action unit detection. In ICCV 2015, W.-S. Chu, F. De la Torre, and J. F. Cohn. Selective transfer machine for personalized facial action unit detection. In CVPR 2013 J Nicolle, K Bailly, M Chetouani. Facial Action Unit Intensity Prediction via Hard Multi-Task Metric Learning for Kernel Regression. In FERA 2015 A Dapogny, K Bailly, S Dubuisson. Pairwise Conditional Random Forests for facial expression recognition. In ICCV 2015