{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2702"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2702","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Reconnaissance d’actions à l’aide d’une approche hiérarchique basée sur l’apprentissage machine","abstract":"Actuellement, les méthodes de reconnaissance d’actions proposées par la littérature performent assez bien sur les actions simples, mais requièrent, bien souvent, des puissances de calcul importantes et éprouvent encore de la difficulté à reconnaître les actions ayant des séquences d’exécution dont la temporalité est variable. Par conséquent, la méthode présentée dans le cadre de ce mémoire adressera ces difficultés. Pour ce faire, celle-ci propose un cadre hiérarchique d’apprentissage. Ainsi, la reconnaissance des différentes actions s’appuie sur la signature de sous-mouvements localisables dans le temps. Plus précisément, ces signatures correspondent aux valeurs maximales et minimales d’activations de filtres de convolution appris dans le cadre d’un problème de classification dont l’entraînement procède à l’aide d’une méthode de descente de gradient. Tout en démontrant une grande économie en termes de calculs et une plus grande robustesse par rapport à l’information superflue, le taux de succès de classification obtenu par l’approche proposée est comparable à l’état de l’art lorsque les données sur lesquelles elle s’appuie sont issues d’un capteur inertiel porté à même le corps.","abstract_html":"Actuellement, les méthodes de reconnaissance d’actions proposées par la littérature performent assez bien sur les actions simples, mais requièrent, bien souvent, des puissances de calcul importantes et éprouvent encore de la difficulté à reconnaître les actions ayant des séquences d’exécution dont la temporalité est variable. Par conséquent, la méthode présentée dans le cadre de ce mémoire adressera ces difficultés. Pour ce faire, celle-ci propose un cadre hiérarchique d’apprentissage. Ainsi, la reconnaissance des différentes actions s’appuie sur la signature de sous-mouvements localisables dans le temps. Plus précisément, ces signatures correspondent aux valeurs maximales et minimales d’activations de filtres de convolution appris dans le cadre d’un problème de classification dont l’entraînement procède à l’aide d’une méthode de descente de gradient. Tout en démontrant une grande économie en termes de calculs et une plus grande robustesse par rapport à l’information superflue, le taux de succès de classification obtenu par l’approche proposée est comparable à l’état de l’art lorsque les données sur lesquelles elle s’appuie sont issues d’un capteur inertiel porté à même le corps.","abstract_has_math":false,"creators":["Lemieux, Nicolas"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020-12-17","date_published":"2020-12-17","updated_at":"2026-11-18T22:08:52Z","subjects":["séries-temporelle, apprentissage machine, méthode hiérarchique, reconnaissance d’action"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2702"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2702","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2702/1/LEMIEUX_Nicolas.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2702","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Lemieux, Nicolas"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020-12-17"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["séries-temporelle, apprentissage machine, méthode hiérarchique, reconnaissance d’action"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2702","https://espace.etsmtl.ca/id/eprint/2702/1/LEMIEUX_Nicolas.pdf","https://espace.etsmtl.ca/id/eprint/2702/7/LEMIEUX_Nicolas-web.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Actuellement, les méthodes de reconnaissance d’actions proposées par la littérature performent assez bien sur les actions simples, mais requièrent, bien souvent, des puissances de calcul importantes et éprouvent encore de la difficulté à reconnaître les actions ayant des séquences d’exécution dont la temporalité est variable. Par conséquent, la méthode présentée dans le cadre de ce mémoire adressera ces difficultés. Pour ce faire, celle-ci propose un cadre hiérarchique d’apprentissage. Ainsi, la reconnaissance des différentes actions s’appuie sur la signature de sous-mouvements localisables dans le temps. Plus précisément, ces signatures correspondent aux valeurs maximales et minimales d’activations de filtres de convolution appris dans le cadre d’un problème de classification dont l’entraînement procède à l’aide d’une méthode de descente de gradient. Tout en démontrant une grande économie en termes de calculs et une plus grande robustesse par rapport à l’information superflue, le taux de succès de classification obtenu par l’approche proposée est comparable à l’état de l’art lorsque les données sur lesquelles elle s’appuie sont issues d’un capteur inertiel porté à même le corps."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Reconnaissance d’actions à l’aide d’une approche hiérarchique basée sur l’apprentissage machine"]}]}],"canonical_facts":{"dc:creator":["Lemieux, Nicolas"],"dc:date":["2020-12-17"],"dc:description":["Actuellement, les méthodes de reconnaissance d’actions proposées par la littérature performent assez bien sur les actions simples, mais requièrent, bien souvent, des puissances de calcul importantes et éprouvent encore de la difficulté à reconnaître les actions ayant des séquences d’exécution dont la temporalité est variable. Par conséquent, la méthode présentée dans le cadre de ce mémoire adressera ces difficultés. Pour ce faire, celle-ci propose un cadre hiérarchique d’apprentissage. Ainsi, la reconnaissance des différentes actions s’appuie sur la signature de sous-mouvements localisables dans le temps. Plus précisément, ces signatures correspondent aux valeurs maximales et minimales d’activations de filtres de convolution appris dans le cadre d’un problème de classification dont l’entraînement procède à l’aide d’une méthode de descente de gradient. Tout en démontrant une grande économie en termes de calculs et une plus grande robustesse par rapport à l’information superflue, le taux de succès de classification obtenu par l’approche proposée est comparable à l’état de l’art lorsque les données sur lesquelles elle s’appuie sont issues d’un capteur inertiel porté à même le corps."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2702","https://espace.etsmtl.ca/id/eprint/2702/1/LEMIEUX_Nicolas.pdf","https://espace.etsmtl.ca/id/eprint/2702/7/LEMIEUX_Nicolas-web.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["séries-temporelle, apprentissage machine, méthode hiérarchique, reconnaissance d’action"],"dc:title":["Reconnaissance d’actions à l’aide d’une approche hiérarchique basée sur l’apprentissage machine"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:08:52Z"}