Données synthétiques et vision par ordinateur : vers une reconnaissance robuste des actions en boxe

Résumé

L’analyse automatisée des performances en boxe soulève des défis scientifiques majeurs en raison du manque de jeux de données annotés de haute qualité, de la complexité des interactions corporelles, de la variabilité des postures et des effets d’occlusion dans les vidéos réelles. La collecte manuelle de telles annotations étant coûteuse, chronophage et sujette à l’erreur humaine, ce mémoire propose une approche alternative fondée sur la génération de données synthétiques. Nous concevons un pipeline complet et modulable permettant de simuler des scènes de boxe réalistes en 3D, en combinant des modèles corporels paramétriques (SMPL), des animations articulaires issues de captures de mouvement et des environnements procéduraux configurés selon plusieurs styles (salle d’entraînement, compétition olympique, Las Vegas, etc.). Ce pipeline intègre également une méthode d’annotation automatique multi-niveaux, enrichie par une annotation manuelle complémentaire et un processus de validation, pour capturer les actions, postures biomécaniques et résultats associés. Grâce à la diversité des caméras virtuelles, des conditions lumineuses et des morphologies corporelles simulées, notre jeu de données synthétique couvre un large éventail de configurations visuelles. Les résultats expérimentaux montrent que les modèles d’apprentissage profond entraînés sur ces données atteignent des performances compétitives en reconnaissance d’action et en estimation de posture, y compris dans des contextes réels. Cette approche ouvre des perspectives innovantes pour le développement de systèmes intelligents appliqués à l’analyse de performance en sports de combat et à la modélisation biomécanique assistée par l’intelligence artificielle.

Date	12 déc. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Sheldon Andrews (Directeur(-trice)) & David Labbé (Codirecteur(-trice))