Cette thèse présente un cadre formel pour l'interaction Homme-robot (HRI), qui reconnaître un important lexique de gestes statiques et dynamiques mesurés par des capteurs portatifs. Gestes statiques et dynamiques sont classés séparément grâce à un processus de segmentation. Les tests expérimentaux sur la base de données de gestes UC2017 ont montré une haute précision de classification. La classification pas à pas en ligne utilisant des données brutes est fait avec des réseaux de neurones profonds « Long-Short Term Memory » (LSTM) et à convolution (CNN), et sont plus performants que les modèles statiques entraînés avec des caractéristiques spécialement conçues, au détriment du temps d'entraînement et d'inférence. La classification en ligne des gestes permet une classification prédictive avec réussit. Le rejet des gestes hors vocabulaire est proposé par apprentissage semi-supervisé par un réseau de neurones du type « Auxiliary Conditional Generative Adversarial Networks ». Le réseau propose a atteint une haute précision de rejet de les gestes non entraînés de la base de données UC2018 DualMyo. / This thesis presents a human-robot interaction (HRI) framework to classify large vocabularies of static and dynamic hand gestures, captured with wearable sensors. Static and dynamic gestures are classified separately thanks to the segmentation process. Experimental tests on the UC2017 hand gesture dataset showed high accuracy. In online frame-by-frame classification using raw incomplete data, Long Short-Term Memory (LSTM) deep networks and Convolutional Neural Networks (CNN) performed better than static models with specially crafted features at the cost of training and inference time. Online classification of dynamic gestures allows successful predictive classification. The rejection of out-of-vocabulary gestures is proposed to be done through semi-supervised learning of a network in the Auxiliary Conditional Generative Adversarial Networks framework. The proposed network achieved a high accuracy on the rejection of untrained patterns of the UC2018 DualMyo dataset.

Dans le cadre de cette recherche, nous nous proposons de réfléchir sur les matériels à mettre en place en vue d’un enseignement/apprentissage centré sur l’autonomie dans un contexte FOS. Les concepts en vigueur nous semblent peu adaptés à la situation des étudiants de première année universitaire (inscrits en science et technologie).L’objectif majeur de notre réflexion est d’apporter une contribution aux grands principes de l’auto-apprentissage. Nous avons voulu dépasser le stade de la théorie et nous avons réfléchi sur la faisabilité et la pratique de certaines notions qui ont permis le lien entre l’autonomie de l’apprentissage et le FOS : la centration sur l’apprentissage, l’apport des neurosciences et le cognitivisme.Nos conclusions de recherches nous ont permis de :- revoir/reconsidérer certains concepts clés de l’autonomie et de l’auto-apprentissage à la suite de l’expérimentation menée avec nos étudiants- des propositions concrètes pour une application des principes sur lesquels nous nous sommes penché. / For the sake of this research, we intend to reflect upon the materials that we can establish in order to enhance autonomy in language teaching /learning within the context of FOS (Français sur objectifs spécifiques : French specific pruposes). The existing concepts do not seem to coordinate with the first year technology and sciences students’ needs.The main objective of our research is to bring a contribution to the principle of self-directed learning. We aimed to go beyond theory and to reflect upon the feasibility and the practice of the concepts that create the bound between learners autonomy and FOS ; focus on learning, contribution of neurosciences and cognitivism.The research findings have enabled us to:- review/ reconsider some key concepts of autonomy and self-directed learning through the experiment conducted with our students.- present some practical applications of the principles that we have examined.

Abstract<br />The main subject of this thesis is motion prediction. The problem is approached from the hypothesis that the dynamic and kinematic properties of objects such as pedestrian and vehicles do not suffice to predict their motion in the long term. Instead, the work presented here, in scribes itself in a new family of approaches which assume that, in a given environment, objects do not move at random, but engage in “typical motion patterns”, which may be learned and then used to predict motion on the basis of sensor data. In this context, this thesis focuses in three fundamental questions: modeling, learning and prediction.<br /><br />Modeling. <br /><br />This thesis is based on Hidden Markov Models, a probabilistic framework, which is used as a discrete approximation to represent the continuous state-space in which motion takes place. The main originality of the approach lies in modeling explicitly the intentions which are at the origin of “typical motion patterns”. This is achieved through the using of an extended space, which adds the state that the object intends to reach to the other “classic” state variables, such as position or velocity.<br /><br />Learning. <br /><br />The main problem of existing approaches lies in the separation of model learning and utilization in two distinct stages: in a first phase, the model is learned from data; then, it is used to predict. This principle is difficult to apply to real situations, because it requires at least one example of every possible typical pattern to be available during the learning phase. To address this problem, this thesis proposes a novel extension to Hidden Markov Models which allows simultaneous learning and utilization of the model. This extension incrementally builds a topological map – representing the model's structure – and reestimates the model's parameters. The approach is intended to be general, and it could be used in other application<br />domains such as gesture recognition or automatic landmark extraction.<br /><br />Prediction. <br /><br />In this context, prediction is carried on by using exact Bayesian inference algorithms, which are able to work in real time thanks to the properties of the structure which has been learned. In particular, the time complexity of inference is reduced from O(N 2 ) to O(N) with respect to the number of discrete states in the system. <br /><br />All of the results obtained on this thesis have been implemented and validated with experiments, using both real and simulated data. Real data has been obtained on two different visual tracking systems: one installed over a parking lot, and the other installed at INRIA's entry hall. For synthetic data, a simulator has been developed in order to facilitate the conduction of controlled tests and the study of larger environments than for real data.

Les activités anthropiques dans le bassin méditerranéen sont en forte évolution. Dans les zones agricoles, cette croissance entraîne des évolutions considérables de l'occupation du sol. Cette activité agricole exerce un impact majeur sur le fonctionnement hydrologique des paysages qui n'est identifiable qu'à une échelle bien plus large, sur plusieurs dizaines de km². Cette thèse se concentre sur la classification de l'occupation du sol sur une large étendue à partir d'une image monodate à haute résolution spatiale (SPOT6/7).Dans ce contexte, les données d'apprentissage sont collectées par des enquêtes terrain, par conséquent, elles sont très limitées. Les méthodes d'apprentissage supervisées sont généralement utilisées, en supposant que la distribution des classes est stable sur toute l'image. Cependant, en pratique, on constate une distorsion des distributions des classes (apparition de nouvelles classes, disparition de classes). Ce problème, intitulé "datashift", se produit souvent sur des larges étendues. Ainsi le modèle construit sur les données d'apprentissage initiales s'avère sous optimal pour la classification de l'image entière. Pour atténuer ce problème, les techniques d'apprentissage actif définissent un ensemble d'apprentissage efficace, en l'adaptant itérativement par l'ajout des données non labellisées les plus informatives. Ces techniques permettent d'améliorer le modèle de classification tout en conservant un petit ensemble d'apprentissage initial. L'échantillonnage se base généralement sur deux métriques : l'incertitude et la diversité.Dans cette thèse, nous montrons l'apport des techniques d'apprentissage actif pour la cartographie de l'occupation du sol en milieu agricole, en proposant un échantillonnage adapté par parcelle.L'apport des méthodes d'apprentissage actif est validé par rapport à une sélection aléatoire des parcelles. Une métrique de diversité basée sur l'algorithme Meanshift a été proposée.Dans un deuxième temps, nous avons traité le sous-problème du "datashift" qui est l'apparition de nouvelles classes. Nous avons proposé de nouvelles métriques de diversité basées sur l'algorithme Meanshift et les Fuzzy k-means ainsi qu'une nouvelle stratégie de sélection des données adaptées à la détection de nouvelles classes.Dans la dernière partie, nous nous sommes intéressés aux contraintes spatiales induites par les observations sur terrain et nous avons proposé une stratégie de labellisation par points de vue qui permet de diminuer largement les coûts humains d'observations terrain tout en gardant de bonnes précisions de classification ainsi que la découverte des nouvelles classes.Les méthodes proposées ont été testées et validées avec une image multispectrale SPOT6 à 6m de résolution sur le bassin versant de Lebna, Cap-Bon, Tunisie. / Anthropogenic activities in the Mediterranean are in strong evolution. In agricultural areas, this growth leads to considerable changes in land cover. This agricultural activity has a major impact on the hydrological functioning of the landscapes which can be only identified on a wide scale, over several tens of km². This thesis focuses on the land cover classification on wide area from a high spatial resolution monodate image (SPOT6/7).In this context, the learning data are collected by field surveys, therefore they are very limited. Supervised learning methods are generally used, assuming that the class distribution is stable over all the image. However, in practice, there is a class distributions distortion (new classes appear, classes disappear). This problem, called "datashift", always occurs over wide areas. Thus, the model constructed on the initial learning data is sub-optimal for the classification of the entire image. To lessen this problem, active learning techniques define an effective learning set, by iteratively adapting it by adding the most informative unlabeled data. These techniques improve the classification model while retaining a small initial learning set. Sampling is generally based on two metrics: uncertainty and diversity.In this thesis, we show the contribution of active learning techniques for the land cover mapping in agricultural environment, proposing a suitable sampling per parcel.The active learning methods contribution is validated respectively to a random selection of parcels. A diversity metric based on the Meanshift algorithm has been proposed.Secondly, we treated the sub-problem of the "datashift" which is the appearance of new classes. We proposed new metrics of diversity based on the Meanshift algorithm and Fuzzy k-means as well as a new data selection strategy adapted to the detection of new classes.Finally we were interested in the spatial constraints induced by the field observations and we proposed a strategy of labeling by stand points which make it possible to greatly reduce the human costs for field observations while maintaining good classification precisions as well as the discovery of new classes.The proposed methodologies were tested and validated on a multispectral SPOT6 image with 6m resolution on the Lebna watershed, Cap-Bon, Tunisia.

No description available.

Cette étude se focalise sur le cadre large du français non-généraliste et plus précisément du français de spécialité visant le domaine de l’hôtellerie et du tourisme. Elle a pour objectif de montrer dans quelle mesure l’enseignement du français de l’hôtellerie et du tourisme offert dans les universités publiques kényanes répond aux besoins des apprenants. Elle prend une approche systémique centrée sur l’apprenant. Des méthodes quantitatives et qualitatives ont été employées pour le recueil des données. Une analyse des besoins des apprenants a été effectuée auprès des apprenants. Les perspectives des besoins des apprenants par différents acteurs, à savoir, les enseignants et les professionnels ont été également sollicitées. Les résultats montrent qu’il existe des besoins par rapport à tous les paramètres étudiés et que ces besoins sont transversaux plutôt que liés à la spécialité. Des recoupements des perspectives des différents acteurs des besoins des apprenants ont été notés ainsi que des divergences. Par rapport aux enseignants, ces divergences se rapportent à l’ampleur des besoins tandis que pour les professionnels, celles –ci portent sur la variété des besoins recensés. Les résultats de nos enquêtes nous montrent que l’analyse des besoins reste une pratique valable en français de spécialité et que dans un cas idéal, elle doit être centrée sur les apprenants. / This study focuses on the larger sphere of non-general French and more precisely on French for specific purposes targeting the hospitality and tourism sector. Its objective is to show to what extent the French for hospitality and tourism courses offered in Kenyan public universities meet the needs of learners. The study takes a learner centred systemic approach. Quantitative and qualitative data-collection methods were used. An analysis of learners’ needs was conducted with the learners. The views of different actors, namely, teachers and industry professionals were also sought. The results indicate the existence of needs in all parameters studied. These needs were mainly general in nature rather than specific to the area of specialisation. Similarities and differences were also noted in the views of the various actors. As far as the teachers are concerned, these differences pertained to the magnitude of needs noted while for the professionals, they had to do with the variety of needs identified. This study shows us that needs analysis remains a valid exercise in French for specific purposes and that such an exercise should ideally be centred on the learner.