Plates-formes d’apprentissage en profondeur pour des environnements d’assistance aux personnes âgées AAL (Ambient Assisted Living)

Description

L’assistance, aide et surveillance des personnes âgées à domicile ou dans un home est une nécessité d’actualité. Cela peut devenir une activité ininterrompue lorsqu’une maladie, comme la démence, Parkinson ou Alzheimer, apparaît dans leur vie. En effet, des activités quotidiennes, comme par exemple, prendre un bain, faire la cuisine ou même manger, peuvent soudainement devenir dangereuses. Dans ce contexte, les techniques non-invasives et automatisées sont essentielles pour garantir en même temps leur indépendance et leur intimité. De nombreuses techniques d’assistance sont basées sur des mécanismes de reconnaissance, mathématiques ou algorithmiques, tels que les réseaux artificiels de neurones (ANN). En particulier, les réseaux de neurones convolutionnels (CNN) fournissent les meilleures solutions aux problèmes non linéaires et complexes nécessitant des opérations massives, telles que celles effectuées au cours du traitement de l’image ou de la reconnaissance du langage naturel. Les défis sont liés à la généralisation et au sur-apprentissage associé aux étapes d’apprentissage et de prévision. Les CNNs incorporent des contraintes pour atteindre un degré d’invariance au changement et à la déformation en utilisant trois idées : zones réceptives locales, des poids partagés et un espace de sous-échantillonnage. L’utilisation du poids partagé réduit le nombre de paramètres du système, ce qui facilite la généralisation. Ainsi, les CNNs ont été utilisés dans plusieurs domaines d’application, on peut citer : la reconnaissance des nombres ou des objets, la reconnaissance vocale, la traduction automatique, la surveillance vidéo, la vision en robotique ou les moteurs de recherche des images. Dans ce contexte, les réseaux de neurones d’apprentissage en profondeur, caractérisés par un grand nombre de couches cachées, a permis de résoudre le problème de sur-apprentissage. Ils construisent automatiquement une représentation de plus en plus haut niveau, couche par couche, avec des sous-ensembles de neurones connectés entre les couches. De grands progrès ont été réalisés récemment dans le développement de systèmes de haute performance (HPC) pour l’intégration et la mise en place des réseaux CNN basés sur la technologie multi-core. L’objectif de cette proposition est de concevoir un environnement de développement pour la génération automatique de CNNs y compris le modèle exécutable, l’entrainement, la validation et la prédiction en utilisant l’architecture la plus pratique en termes de vitesse d’exécution et de puissance de traitement, tout en satisfaisant les besoins en mémoire et consommation d’énergie. Les tâches à considérer sont : l’étude des besoins d’assistance aux personnes âgées et de l’état de l’art des mécanismes de reconnaissance, la proposition d’une solution à base de CNN, l’étude des aspects de régularité, d’évolutivité et de généralisation du CNN proposé, l’évaluation les exigences en performance en tenant compte des architectures multi-core, GPU et FPGA comme architectures cibles pour la simulation, l’entrainement et la mise en œuvre.