Détection d'action pour la reconnaissance des interactions sociales. // Action detection for the recognition of social interactions.

« Les actes en disent plus long que les mots ». Les êtres humains sont des êtres complexes qui transmettent souvent une multitude d'informations non pas par leurs paroles, mais par leurs gestes et leur comportement. Les comportements non verbaux peuvent fournir des indications cruciales sur leur état émotionnel, leur niveau de douleur ou leur anxiété, souvent de manière plus éloquente que les mots seuls [1]. L'analyse de la communication non verbale revêt une importance cruciale dans le domaine du diagnostic.

Cependant, décoder les indices non verbaux en milieu clinique n'est pas une tâche aisée. Elle repose en grande partie sur un haut degré de déduction. Elle exige des professionnels de santé qu'ils soient des observateurs perspicaces, capables de saisir des nuances qui peuvent être subtiles mais cruciales.

Pour relever ce défi, des systèmes automatisés capables de détecter les comportements non verbaux et leurs significations correspondantes peuvent aider les professionnels de santé. Cette technologie sert d'outil d'aide aux experts médicaux, améliorant l'évaluation des patients et garantissant que les informations cruciales ne soient pas négligées ou mal interprétées.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

“Actions speak louder than words”. Humans are complex beings, and they often convey a wealth of information not through their words but through their actions and demeanor. Non-verbal behaviors can offer crucial insights into their emotional state, pain level, or anxiety, often more eloquently than words alone [1]. The analysis of non-verbal communication is of critical importance in the diagnostic landscape.

However, decoding non-verbal cues in a clinical setting is not a straightforward task. It relies heavily on a high degree of inference. It requires healthcare professionals to be astute observers, picking up on nuances that may be subtle yet critical.

To address this challenge, automated systems capable of detecting non-verbal behaviors and their corresponding meanings can assist healthcare providers. Such technology acts as a supportive tool for medical experts, enhancing patient assessments and ensuring that critical information is not overlooked or misunderstood.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrat doctoral EDSTIC-DS4H

Université Côte d'Azur

84 STIC - Sciences et Technologies de l'Information et de la Communication

Solide expérience des langages de programmation C++ et Python, Une connaissance des domaines suivants est requise : Apprentissage automatique, Frameworks de réseaux neuronaux profonds : PyTorch, TensorFlow, Keras Vision par ordinateur et analyse vidéo
Strong background in C++/Python programming languages, Knowledge of the following topics is needed: Machine learning, Deep Neural Networks frameworks, PyTorch, TensorFlow, Keras Computer Vision and Video Understanding