Publications

Correction de mouvements humains 3D par apprentissage sur données physiques (titre provisoire)

Colin, M., et al. • En préparation — soumission CVPR 2027 • 2026

Première autrice. Les mouvements humains 3D reconstruits depuis une vidéo monoculaire présentent des artefacts systématiques : pénétration, flottement, glissement des appuis. J'entraîne un modèle de correction sur un corpus apparié propre ↔ dégradé que je construis par rendu puis ré-estimation, dans lequel la physique n'intervient qu'en données d'entraînement — ni dans la fonction de coût, ni dans l'architecture. Travail mené au Vision & Learning Lab de l'Université d'Alberta (Prof. Li Cheng).

Génération de mouvement 3D multi-personnes physiquement plausible (titre provisoire)

Wang, Y., Colin, M., et al. • En préparation — soumission ICLR 2027 • 2026

Co-autrice d'un travail de recherche en cours mené par Yilin Wang au Vision & Learning Lab de l'Université d'Alberta (Prof. Li Cheng). Génération de danse 3D multi-personnes conditionnée par la musique et un prompt ; ma contribution porte sur la plausibilité physique du mouvement (estimation du sol, contacts, footskate, inter-pénétrations, métriques physiques sur AIOZ-GDANCE).

Performances et explicabilité de ViT et d'architectures CNN : une étude empirique utilisant LIME, SHAP et GradCam

Colin, M., Chraibi Kaadoud, I. • RJCIA 2024 (PFIA), La Rochelle • 2024

Ces dernières années, l’IA explicable a été mise en avant comme la solution à plébisciter pour instaurer la confiance entre les utilisateurs et les systèmes d’IA. Pour étudier cette hypothèse, nous proposons une étude empirique sur le lien entre la performance et l’explicabilité de quatre algorithmes de vision par ordinateur : ViT, ResNet50, VGG16 et InceptionV3. Notre étude utilise trois méthodes d’explicabilité locale : LIME, SHAP et GradCam. Nous montrons que si l’IA explicable peut être un outil permettant de questionner la représentation artificielle d’un algorithme et son comportement, elle peut aussi présenter des problèmes de robustesse ou d’informations contradictoires susceptibles de miner la confiance. Les résultats de notre étude montrent que multiplier les outils d’explicabilité permet de vérifier la fiabilité des explications et des informations extraites.

Ma contribution : conception du protocole expérimental, implémentation des modèles et des méthodes d'explicabilité, analyse des résultats et rédaction. Article écrit sur mon temps libre, en autoformation à la méthode scientifique.

@inproceedings{colin2024performances,
  title     = {Performances et explicabilité de ViT et d'architectures CNN : une étude empirique utilisant LIME, SHAP et GradCam},
  author    = {Colin, M{\'e}lissa and Chraibi Kaadoud, Ikram},
  booktitle = {RJCIA 2024, Plateforme Fran{\c{c}}aise pour l'Intelligence Artificielle (PFIA)},
  year      = {2024},
  address   = {La Rochelle, France},
  url       = {https://hal.science/hal-04641791v1}
}