Offre d'emploi Stage traitement de signal/IA (Code DATA_03)

*Fusion Vision RGB + Wi-Fi CSI pour Détection Robuste de Chutes* *Description* Ce stage s’inscrit dans un projet visant à concevoir un système multimodal (vision + Wi-Fi CSI) pour la détection robuste de chutes à domicile.

L’objectif est d’obtenir une sensibilité et une précision supérieures aux solutions mono-modales, d’assurer la tolérance aux défaillances capteurs et de localiser précisément l’événement dans la pièce pour faciliter les interventions. *Objectifs scientifiques* * *Détection fiable de chutes* : Obtenir une sensibilité très élevée et peu de faux positifs grâce à la fusion multimodale (vision + CSI). * *Tolérance aux défaillances* : Assurer un fonctionnement dégradé contrôlé si un capteur manque ou devient bruyant (dropout, score de confiance). * *Fusion cross-modale* : Concevoir une architecture combinant fusion au niveau des caractéristiques et des décisions, avec attention cross-modal pour exploiter au mieux chaque source. * *Localisation de l’événement* : Estimer la position 2D de la chute dans la pièce en combinant informations vision et CSI. * *Validation réaliste* : Tester la solution sur un dataset représentatif (variations d’éclairage, occlusions, bruit CSI) et mesurer robustesse et précision. *Tâches principales :* * *Revue bibliographique & spécifications* : Synthèse des approches existantes, définition des scénarios, métriques et exigences expérimentales. * *Acquisition & constitution du dataset* : Enregistrement synchronisé RGB + RGB-D/vidéo et CSI, annotation des événements et conditions variées. * *Prétraitement multimodal* : Nettoyage, synchronisation temporelle, calibration spatial/temporal et extraction de features (frames, keypoints, amplitude/phase CSI). * *Conception du modèle RMFD (Robust Multi-modal Fall Detector)* : Architecture de fusion (précoce/tardive) incluant modules d’attention et de temporalité. * *Gestion des défaillances & scores de confiance* : Mécanismes pour détecter et compenser capteurs dégradés, production d’un score de confiance pour chaque détection. * *Évaluation & validation* : Tests quantitatifs (sensibilité, spécificité, FPR, localisation) et validation sur scénarios réalistes / études comparatives mono- vs multi-modales. * *Documentation & valorisation* : Rédaction du rapport, code reproductible, protocole d’évaluation et livrables de démonstration. *Compétences et pré-requis :* * Compétences en computer vision (YOLO, MobileNet), deep learning (CNN, LSTM, TCN, attention). * Connaissances en traitement du signal RF / Wi-Fi CSI (extraction amplitude/phase, filtrage). * Maîtrise de PyTorch ou TensorFlow, Python, outils d’annotation et d’évaluation. * Expérience pratique en acquisition de données, synchronisation temporelle et calibrage multi-capteurs. *Bibliographie :* * M.

Karim, S.

Imène and G.

Aymen, "Real-Time Human Activity Recognition Using Wi-Fi CSI: A Deep CNN Architecture Approach," _2024 IEEE Thirteenth International Conference on Image Processing Theory, Tools and Applications (IPTA)_, Rabat, Morocco, 2024, pp.

1-6, doi: 10.1109/IPTA62886.2024.10755870. * A.

Sabrina, B.

Sarra and M.

Khawla, "Visual-HAR: A Real-Time Human Activity Recognition Model Based on Visual Sensors," _2024 4th International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME)_, Male, Maldives, 2024, pp.

1-6, doi: 10.1109/ICECCME62383.2024.10796463. * R.

R.

Dokkar, F.

Chaieb, H.

Drira, and A.

Aberkane, “_ConViViT — A Deep Neural Network Combining Convolutions and Factorized Self-Attention for Human Activity Recognition_,” _arXiv preprint arXiv:2310.14416_, 2023.

doi: 10.48550/arXiv.2310.14416. * Olfa Haggui, Hamza Bayd, Baptiste Magnier, Arezki Aberkane.

Human Detection in Moving Fisheye Camera using an Improved YOLOv3 Framework.

IEEE MMSP 2021
- IEEE 23rd International Workshop on Multimedia Signal Processing, Oct 2021, Tampere, Finland.

ff10.1109/mmsp53017.2021.9733674ff.

ffhal-03372894 * Varga, D.

Critical Analysis of Data Leakage in WiFi CSI-Based Human Action Recognition Using CNNs.

Sensors 2024, 24, 3159.

https://doi.org/10.3390/s24103159 Type d'emploi : Stage Durée du contrat : 6 mois Rémunération : 4,35€ par heure Nombre d'heures : 35 par semaine Lieu du poste : En présentiel