Consultant

Projet : cafétéria connecté à partir de NVIDIA JETSON NANO et CLOUD AZURE

Contexte: Dans le contexte sanitaire COVID -19, l'objectif est de développer une camera de surveillance intelligente basée sur la vision par ordinateur à déployer dans les surfaces publiques et privées (cafeterias et cantines d'entreprises, librairies, aéroports, magasins, etc.).

Réalisation :
- Intelligence artificielle
- Choix de l'architecture du réseau de neurones ==> expérimentation de YOLO && SSD-mobilnet
- Entrainement du modèle sur les données de notre cas d'étude
- Développement de la détection/coptage/Tracking des individus à partir du flux vidéo

Ingénierie :
- Conversion du modèle au format TRT pour exploiter le GPU de la jetson nan
- Défusion du flux vidéo sur un serveur RTM
- Envoie des métriques (nombre d'individus et distanciation) au CLOUD AZURE

Projet:
Contribution dans la réalisation d’un Assistant Virtuel Avancé (AVA) : Utilisation des techniques de traitement naturel du langage & vision par ordinateur.
L’objectif avec AVA est d’apporter une solution avancée pour répondre à différentes problématiques d’entreprise : conversation via chatbot, trier les mails de réclamation, accord d’accès par reconnaissance faciale, etc.

Contributions:

• Traitement des données textuelles (Python)
- Le but est de détecter les thèmes récurrents
- Web Scraping : extraction des données textuelles d’entrainement pour les modèles  d’apprentissage automatique.
- Prétraitement et nettoyage des données : tokenisation, stemming et lemmatisation, suppression  de stop words et ponctuation
- Représentation d’un corpus : utilisation de la métrique term frequency-Inverse Document Frequency (tf-idf).

 -- Topic modeling : Latent Dirichlet Allocation
• Traitement des données visuelles (Python)
- Le but est d’améliorer les performances de l’assistant vidé
- Reconnaissance faciale à partir d’un flux webcam : landmark & K-plus proches voisins
- Localisation et détection d’objets et de personnes sur un flux vidéo en temps réel :
-  Implémentation de l’approche Sliding window et YOLO (transfert Learning avec YOLOV3)
- Estimation de flux de passagers à partir des vidéos : affichage du nombre de personnes sur le  flux vidéo à partir de la localisation et la détection de personnes via YOLO
- Identification des actions de violence à partir de flux vidéo : réseaux de neurones mixte  convolution & LSTM
- Création d’un menu interactif sur webcam : utilisation d’un réseau de neurones entrainé pour détecter et suivre une main via la webcam pour effectuer des choix ajoutés en réalité augmentée

Environnement technique : Python, NLTK, gensim, TensorFlow, Keras, Scikit-learn, OpenCV

- Remise à jours du code existant sous JULIA de la version 0.3 à la version 0.4.
- Implémentation des algorithmes de résolution de programmes linéaires de très grandes dimensions pour concevoir des modèles statistiques | codé sous Julia.