Reconnaissance d'activités et reconnaissance d'objets par affordance pour la reconnaissance de plan d'un robot assistant cognitif
Bibliographic record
Abstract
Le vieillissement de la population et le besoin de soutien grandissant des personnes âgées dans leur vie quotidienne sont un enjeu sociétal actuel au Canada. C'est pour répondre à cette problématique que le réseau AGE-WELL finance un projet de conception d 'un robot assistant cognitif pour aider une personne âgée à la réalisation de ses activités quotidiennes. Or, ce type de système doit comporter un module de vision et de reconnaissance d'activités afin de comprendre les actions qu'une personne est en train d'exécuter. Cette information est d 'une importance capitale pour comprendre ses plans et ses intentions, afin de l'aider à les réaliser. \nNous proposons dans ce mémoire une approche de reconnaissance d'activités \npar la reconnaissance d'interactions humains-objets, grâce à une représentation d'activités en tant qu'affordances. Pour ce faire, nous avons développé le module PARC, Plan and Activity Recognition Component. PARC est conçu pour reconnaître les interactions d'une personne avec un objet, afin de modéliser ses activités sous ressources limitées et de les transmettre à un système de reconnaissance de plan, le tout dans le but d'être intégré à une plateforme robotique. Ce mémoire se concentre sur la partie de reconnaissance d 'activités. Celle-ci fonctionne par la détection \nd'affordances entre un humain et un objet, qui sont eux-mêmes détectées \npar la classification d 'objets d 'un réseau de neurones. Afin d 'assurer que PARC puisse améliorer son ensemble de connaissances spécifiques à l'utilisateur et aux objets de son environnement, il est aussi doté d'un système d 'auto-apprentissage lui permettant d'ajouter à son système de détection d objets la capacité de détecter de nouvelles classes et de nouvelles représentations de classes d'objets existants. L'approche proposée a été évaluée à l'aide d'un corpus spécifique créé pour l'occasion, ainsi que sa librairie de plans proposés. L'évaluation du module démontre son efficacité à déceler les objets de son environnement ainsi que les activités effectuées avec ces dits objets, pour les transmettre à un système de reconnaissance de plan de haut-niveau. Le système démontre aussi une amélioration de son efficience à long terme, grâce à un processus d 'auto-apprentissage sur les données cachées \nde son environnement, qui se déroule parallèlement à la tâche de reconnaissance d'activités. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : vision par ordinateur, vision artificielle, reconnaissance d 'objet et d'activité, apprentissage machine, intelligence artificielle, robotique mobile
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".