Human activity recognition in smart homes : tackling data variability using context-dependent deep learning, transfer learning and data synthesis
Reconnaissance de l’activité humaine dans les maisons intelligentes : traitement de la variabilité des données grâce à l’apprentissage contextuel, au transfert de connaissance et synthèse de données
Résumé
The smart home is at the center of attention for the many innovative applications and services it can offer in terms of security, energy savings, comfort improvement and health support. The last few years have seen the emergence of a multitude of techniques and approaches through the artificial intelligence to bring the backbone of all these services to the home; the ability to understand the lifestyle and activities of its residents through home automation sensors. Despite advances in deep learning and the increase in the amount of data, these methods do not generalize and fully address the complexity and variability of human activity. Moreover, the use and the application of these approaches in a real, industrial and commercial context remains a major challenge due to the lack of labeled data from the destination environment. This thesis proposes to try to improve these methods and their portability through the understanding of the activation context of home automation sensors and the transfer of knowledge by drawing inspiration from Natural Language Processing techniques, and through data synthesis via the Digital Twin concept.
La maison intelligente est au centre des attentions pour les nombreuses possibilités d’applications et de services innovants qu’elle peut offrir en termes de sécurité, d’économie d’énergie, d’amélioration du confort et d’aide à la santé. Ces dernières années ont vu émerger une multitude de techniques et d’approches au travers de l’intelligence artificielle pour doter les maisons de la pierre angulaire à tous ces services ; la capacité à comprendre le mode de vie et les activités de ses résidents au travers des capteurs domotiques. Malgré les avancées grâce au deep learning et l’augmentation de la quantité de données, ces méthodes ne permettent pas de généraliser et traiter totalement la complexité et la variabilité de l’activité humaine. De plus, l’utilisation et l’application de ces approches dans un contexte réel, industriel et commercial reste un défi majeur dû au manque de données labellisées en provenance de l’environnement de destination. Cette thèse propose de tenter d’améliorer ces méthodes et leurs portabilités au travers, de la compréhension du contexte d’activation des capteurs domotique et du transfert de connaissance en s’inspirant de techniques du Traitement du Langage Naturel, ainsi que de la synthèse de données via le concept du Digital Twin.
Domaines
Intelligence artificielle [cs.AI]
Origine : Version validée par le jury (STAR)