Au delà de la reconnaissance des personnes dans le traitement des images de visage

Advancing Beyond People Recognition in Facial Image Processing

• Auteur / Autrice : Nélida Mirabet-Herranz
• Direction : Jean-Luc Dugelay
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'ingénieur
• Date : Soutenance le 25/06/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut EURECOM (Sophia-Antipolis, Alpes-Maritimes ; 1992-....)
• Jury : Président / Présidente : Amine Naït-Ali
• Jury : Examinateurs / Examinatrices : Maria Alejandra Zuluaga Valencia
• Jury : Rapporteur / Rapporteuse : Maria De Marsico, Julian Fierrez

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Apprentissage automatique

Identification biométrique

Mots clés libres

Vision par ordinateur

Intelligence artificielle

Biométrie

Computer vision

Artificial Intelligence

Biometrics

Résumé

Le visage humain contient une grande quantité d'informations, notamment les traits distinctifs d'un individu et les caractéristiques démographiques telles que l'âge, le sexe et le poids d'une personne. Ces informations sont appelées biométrie douce. Elle comprend des caractéristiques humaines physiques, comportementales ou liées à l'adhésion, classables dans des catégories prédéfinies conformes à l'être humain. En outre, certains descripteurs, comme la fréquence cardiaque, entrent dans la catégorie de ce que l'on appelle la biométrie cachée. C'est-à-dire, les mesures des activités physiologiques humaines invisibles à l'œil nu qui peuvent servir à évaluer l'état de santé d'une personne. L'objectif de cette thèse est d'explorer l'estimation des traits biométriques tel que le sexe, l'âge, le poids et la fréquence cardiaque à partir des images faciales. En particulier, ce manuscrit comprend des contributions sur l'amélioration des modèles d'apprentissage profond pour l'estimation automatique et sans contact de ces traits et cherche à approfondir la compréhension du rôle clé que le filtrage des visuels jouent dans ces modèles et leur prédiction finale.

Human faces encode a vast amount of information, including distinctive features of an individual and demographic characteristics such as a person's age, gender, and weight. Such information is referred to as soft biometrics, which comprises physical, behavioral, or adhered human characteristics classifiable into predefined human-compliant categories. Additionally, some descriptors, like heart rate, fall into the category of the so-called hidden biometrics, metrics of human physiological activities invisible to the naked eye that can serve to assess a person's health status. The goal of this thesis is to explore the estimation of biometric traits, namely gender, age, weight, and heart rate from facial visuals. In particular, this manuscript includes contributions to improving deep learning models for automatic and contactless estimation of these traits and seeks to deepen the understanding of the key role that social media filtering plays in these models and their final prediction.