Caractérisation de la locomotion équine par une approche géométrique d’apprentissage profond
Auteur / Autrice : | Benoît Pasquiet |
Direction : | Faten Chaieb-Chakchouk, Katarzyna M. Węgrzyn-Wolska |
Type : | Projet de thèse |
Discipline(s) : | Informatique |
Date : | Inscription en doctorat le 11/01/2023 |
Etablissement(s) : | Université Paris-Panthéon-Assas |
Ecole(s) doctorale(s) : | École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris) |
Partenaire(s) de recherche : | Entreprise : Institut français du cheval et de l'équitation (France) |
Laboratoire : EFREI Research Lab |
Résumé
Une belle locomotion et un modèle adapté sont des clés de la performance d’un cheval. Leur appréciation repose souvent sur le jugement d’experts. Cette expertise est subjective et parfois longue à acquérir. Pour améliorer leur efficacité et assurer leur équité, il est utile de compléter ces jugements par des mesures objectives et répétables. Ceci aide à comparer un cheval à un groupe ou encore à suivre sa progression. Pour reconstituer la morphologie du cheval à partir de vidéos, la technique de morphométrie 3D a été proposée. Elle a montré son intérêt pour la sélection des reproducteurs. Mais elle nécessite une étape laborieuse de positionnement manuel de points anatomiques, ce qui n’a pas permis sa généralisation. Une autre technique est l’accélérométrie : elle a permis le développement d’outils d’aide à la détection d’irrégularités dans la locomotion d’un cheval. Cette technique fournit des indicateurs que l’œil ou la vidéo ne peuvent mesurer, mais elle ne suffit pas pour suivre un déplacement. Les avancées en traitement de l'image grâce à l'apprentissage automatisé offrent de nouvelles perspectives. Des outils d’estimation de la posture des animaux se développent, notamment en analyse du comportement. Avec ces techniques, nous voulons construire un cadre méthodologique, pour reconnaître la conformation et analyser la locomotion du cheval, à partir de vidéos. Notre but est de voir comment obtenir des mesures objectives, répétables, et applicables en conditions réelles, tout en réduisant le traitement manuel des vidéos. En associant vidéo et accélérométrie dans une approche de fusion de modèles nous espérons également profiter des avantages de chacune des technologies.