COBVIS-D et SPEED-Q, projets sur le comportement céphalooculaire des conducteurs automobiles


Résumé : Le projet COBVIS-D avait pour but de développer un environnement de simulation pour l'analyse des comportements céphalooculaires des conducteurs automobiles âgés. Il doit permettre d'élaborer des programmes de rééducation plus appropriés et des outils pour mieux identifier les conducteurs à risque. Le projet SPEED-Q visait à adapter ce simulateur à une plate-forme automobile. 

Partenaire : Le maître d'œuvre du projet est le Laboratoire de vision et systèmes numériques de l'Université Laval. 

Résultat : L'équipe du CRIM a contribué à la détection et de la reconnaissance automatique des expressions faciales avec le « Facial Action Coding System » dans des contextes de conduite difficile. Le projet était financé par le Centre d'excellence canadien Auto21 et la Société d'assurance automobile du Québec (SAAQ).

Équipes

Nouvelles récentes

  • Le CRIM partie prenante d'un vaste projet technologique autour des langues autochtones canadiennes!
    05/12/2018

    Le CRIM est fier d’annoncer le début d’une collaboration à long terme avec le Conseil national de recherches du Canada (CNRC) dans le cadre d’un projet visant à encourager la revitalisation et la préservation des langues autochtones grâce aux technologies

    +

Événement à venir

  • HASE 2019
    3/01/19 2019h00
    Hangzhou, China
    Le CRIM présentera deux articles à la 19e édition du IEEE International Symposium on High Assurance Systems Engineering, qui se déroulera du 3 au 5 janvier 2019 à Hangzhou, Chine
    +
  • Montréal International RT @MTLINTL: #DYK Montréal has one of the deepest #AI talent pools in the world ???? More details ???? https://t.co/R073su8k8z #NeurIPS #NeurIPS2…
  • Tom Landry RT @Tom_Landry_: Hey @opengeospatial and @CRIM_ca ! Poster is set up at #AGU18 to present (draft) work of #MachineLearning task of Testbed-…

Publications récentes

  • Towards Automatic Feature Extraction for Activity Recognition from Wearable Sensors: A Deep Learning Approach

    +
  • Checking Sequence Generation for Symbolic Input/Output FSMs by Constraint Solving

    +