Scientific Publications of the University of Toulouse II Le Mirail
Not a member yet
92205 research outputs found
Sort by
Engineering Interactive Systems Embedding AI Technologies (3rd workshop on)
No full textInternational audienc
A High-Fat Diet Induces Oxidative Stress in OPA1+/− Mouse Cortices: A Critical Double Challenge
No full textInternational audienceA high-fat diet (HFD) has significant effects on health, leading to cardiovascular, metabolic, neurodegenerative, and psychiatric conditions and contributing to obesity and type 2 diabetes. Mitochondria, essential for energy production and oxidative metabolism, are adversely affected by a HFD, causing oxidative stress and impaired cellular function. Mutations in the OPA1 (OPtic Atrophy 1) gene, crucial for mitochondrial dynamics and functions, are responsible for dominant optic atrophy (DOA), a mitochondrial neurodegenerative disease associated with increased reactive oxygen species (ROS). The expressivity of DOA is highly variable, even within the same family. This suggests that both modifying genetics and environmental factors could influence the penetrance of the disease. We previously demonstrated that genetic background modulates DOA expressivity and now ask if this is also the case for external cues. We thus explore how OPA1 deficiency interacts with HFD-induced metabolic disturbances, hypothesizing that long-term HFD consumption impairs brain mitochondrial function and disrupts oxidative metabolism. OPA1+/− mice were thus subjected to a HFD for a period of 12 weeks, and ROS levels and the expression of antioxidant genes were evaluated by Western blot and spectrophotometry. Cortices from high-fat diet-fed OPA1+/− mice showed lower aconitase activity than those of their wild-type (WT) litter mates, indicative of an unbalanced increase in mitochondrial ROS. Accordingly, OPA1+/− mice present lower levels of the antioxidant enzyme superoxide dismutase 2 compared to WT mice. Therefore, this study (i) reveals the onset of oxidative stress in brain cortices from OPA1+/− mice challenged with a HFD, (ii) shows that diet is a modifying factor for DOA, and (iii) suggests that food control could be used to moderate the severity of the disease
Towards a successful teledance program for youth with cerebral palsy: A mixed-method study with the instructor’s perspective
No full textInternational audiencePurpose Dance is a leisure time physical activity (LTPA) known to improve motor, cognitive, and psychosocial functions in youth with cerebral palsy (CP). Online exercise or tele-programs are promising in overcoming the environmental barriers of accessibility to LTPA. To ensure successful implementation, it is necessary to identify limitations specific to dance in a pediatric population. The aim was to explore the perspectives of the main stakeholders, i.e., dance instructors and youth, to implement such a program. Methods In a mixed-method design, feasibility indicators were assessed by participation and retention rates, the Physical Activity Enjoyment Scale (PACES), and the Children's Effort Rating Table (CERT). Semi-structured interviews were conducted before and after the intervention with youth with CP [n = 15] and dance instructors [n = 3]. Interviews were analyzed with an inductive approach. Results Participation and retention rates were 86.7% ± 10.7 and 100%, and the PACES and CERT average scores were 91% ± 11 and 3.7 ± 1.3, respectively. Four themes emerged from the interviews: 1) Technology; 2) Pedagogical Approach; 3) Participant's Environment; and 4) Social Relations. Conclusion The teledance program is feasible and enjoyable, requiring minimal equipment and travel. However, there is a need to consider and provoke social interaction, to enhance the social and relational dimension of dance
Physics models in Unrolling algorithms applied to Coded-Aperture Snapshot Spectral Imager
No full textInternational audienceCoded hyperspectral reconstruction consists in reconstructing 3D hyperspectral cubes from 2D SD-CASSI coded acquisitions of these cubes.Deep learning has emerged as the go-to method in this field, allowing for impressive results and a small inference time.More recently, algorithm unrolling methods have been used in these algorithms, in order to take into account the image formation model to help the reconstruction process.Based on these networks, we simulated 2D coded acquisitions with a ray-tracing simulator rendering realistic SD-CASSI acquisitions, and used the forward model given implicitly by our ray-tracer to build a mapping function between the scene and the detector, representing the adjoint operator. This mapping function is then used in the unrolled algorithms to guide the reconstruction process with our realistic image formation model, instead of only relying on data.It allows for better results with prototypes, and the ability to consider a wider range of systems in coded hyperspectral reconstruction
Processus d'interculturation structurants chez les mères françaises ayant adopté à l'international
No full textThe specificity of adoptive families reveals the meeting of two distinct relational universes which, despite their temporal separation, exist simultaneously in current reality. International adoption constitutes a paradigmatic case of interculturation, as a central concept in the psychology of culture contact. The main objective of this research is to understand why, among french mothers who adopt internationally, the way in which they organize the heterogeneity of their child's cultural context varies considerably: three parental postures emerge, ranging from the rejection of cultural plurality, through its demand, to adjustment according to the child's request. Their modes of apprehension of the cultural difference, their relation to culture, their intercultural sensitivity and their degree of empathy are hypothetically put forward as factors likely to determine this parental posture. Using a quantitative and qualitative approach, we applied a questionnaire (N=63) and conducted semi-structured interviews (N=6) with mothers who adopted a child internationally. The results indicate that there is no direct link between the way adoptive mothers understand cultural difference and their organization of cultural heterogeneity; their general attitude values cultural plurality, but in the family sphere, they most often adopt a sometimes defensive but above all wait-and-see posture, favoring integration into the host culture. Two forms of interculturality thus emerge: interculturality of principle, displayed in social discourse, and a concrete, intimate and modulated interculturality in education. The role of mothers, as cultural mediators, bearers of an internalized, hidden interculturation, supporting the identity construction of the child through a singular narrative weaving, was also highlighted.La spécificité des familles adoptives révèle la rencontre de deux univers relationnels distincts qui, malgré leur séparation temporelle existent simultanément dans la réalité actuelle. L’adoption internationale constitue en cela un cas paradigmatique d’interculturation, concept central de la psychologie du contact de cultures. L’objectif principal de cette recherche est de comprendre pourquoi, chez les mères françaises qui adoptent à l’international, la façon dont elles organisent l’hétérogénéité du contexte culturel de leur enfant varie considérablement : trois postures parentales se dessinent, allant du rejet de la pluralité culturelle, passant par sa revendication, jusqu’à l’ajustement selon la demande de l’enfant. Leurs modes d’appréhension de la différence culturelle, leur rapport à la culture, leur sensibilité interculturelle et leur degré d’empathie sont hypothétiquement avancés comme autant de facteurs susceptibles de déterminer cette posture parentale. En nous appuyant sur une approche quantitative et qualitative, nous avons appliqué un questionnaire (N=63) et réalisé des entretiens semi-directifs (N=6) auprès de mères qui ont adopté un enfant à l’international. Les résultats indiquent qu’il n’existe pas de lien direct entre la façon dont les mères adoptives appréhendent la différence culturelle et leur organisation de l’hétérogénéité culturelle ; leur attitude générale valorise la pluralité culturelle, mais dans la sphère familiale, elles adoptent le plus souvent une posture quelquefois défensive mais surtout attentiste, privilégiant l’intégration dans la culture d’accueil. Il se dégage ainsi deux formes d’interculturalité : l’interculturalité de principe, affichée dans le discours social, et une interculturalité concrète, intime et modulée dans l’éducation. Il a été mis également en évidence le rôle des mères, en tant que médiatrices culturelles, porteuses d’une interculturation intériorisée, cachée, soutenant la construction identitaire de l’enfant à travers un tissage narratif singulier
Contributions méthodologiques en apprentissage profond pour la vision par ordinateur : application à la prédiction de l'état des routes
No full textThis Ph.D. thesis investigates methods to enhance robustness, transferability, uncertainty quantification, and interpretability in deep neural networks, with a common focus on shaping and leveraging feature-space geometry. The work is motivated by practical needs for lightweight, reliable models for real-time prediction of road-condition, while also addressing fundamental questions in representation learning.The first contribution develops a framework for training robust models using a discriminative loss at the penultimate layer combined with Gaussian noise injection. This approach promotes intra-class compactness, inter-class separability, and alignment of noisy features with clean counterparts. Theoretically, we show that noise injection implicitly reduces the Hessian eigenvalues of the loss, providing a principled explanation for improved stability. Empirically, models trained with this framework maintain high accuracy under diverse perturbations, offering a practical and scalable method for enhancing robustness.The second contribution addresses feature transfer from large teacher models to lightweight student models via perception coherence. Instead of matching exact features, the student model preserves the teacher model's relative ordering of distances between points. This relational preservation respects the student model's limited capacity while retaining essential global structure. We also provide a probabilistic interpretation of perception coherence. Our experiments confirm improved knowledge transfer while maintaining flexibility across architectures.The third contribution proposes a non-parametric, distribution-free method for uncertainty estimation based on Lens Depth combined with the Fermat Distance. Operating entirely in feature space at test time, this method provides interpretable scores for in-domain and out-of-domain (OOD) inputs without retraining. By measuring centrality within the feature distribution, it reliably identifies OOD samples, supporting safer deployment in critical applications.Finally, this Ph.D. thesis introduces the Convolutional Rectangular Attention Module (CRAM) for interpretable and spatially coherent attention. CRAM predicts simple geometric rectangles to highlight salient regions, constrained by weak equivariance, resulting in smooth, low-dimensional attention maps. The module is lightweight, easily integrated into existing models, and improves accuracy and robustness compared to position-wise attention approaches.Overall, this thesis demonstrates that explicitly reasoning in feature space-through robust training, relational transfer, geometric uncertainty estimation, or structured attention-enables neural networks to become more reliable, interpretable, and deployable in real-world settings. The generality of these methods allows their application to a broad spectrum of problems.Cette thèse de doctorat explore des méthodes visant à améliorer la robustesse, la transférabilité, la quantification d'incertitude et l'interprétabilité des réseaux de neurones profonds, en se concentrant sur la modélisation et l'exploitation de la géométrie de l'espace des caractéristiques. Ces travaux sont motivés par des besoins pratiques en modèles légers et fiables pour la prédiction en temps réel de l'état des routes, tout en abordant des questions fondamentales en apprentissage de représentations.La première contribution propose un cadre d'entraînement de modèles robustes, combinant une perte discriminative sur l'avant-dernière couche et l'injection de bruit gaussien. Cette approche favorise la compacité intra-classe, la séparabilité inter-classe et l'alignement des caractéristiques bruitées avec leurs homologues non-bruitées. Sur le plan théorique, nous montrons que l'injection de bruit réduit implicitement les valeurs propres de la hessienne de la perte. Cela procure une explication rigoureuse de l'amélioration de la stabilité. Empiriquement, les modèles construits dans ce cadre maintiennent une haute précision sous diverses perturbations. Notre approche fournit donc une méthode pratique et évolutive pour renforcer la robustesse.La deuxième contribution traite du transfert de caractéristiques depuis des modèles volumineux (modèles enseignants) vers des modèles légers (modèles étudiants), via la notion de cohérence perceptive. Plutôt que de copier les caractéristiques exactes, le modèle étudiant préserve l'ordre relatif des distances entre points tel qu'établit par le modèle enseignant. Cette préservation relationnelle respecte la capacité limitée du modèle étudiant tout en conservant la structure globale essentielle. Nous proposons également une interprétation probabiliste de cette cohérence. Les expériences confirment une amélioration du transfert de connaissances, avec une flexibilité accrue entre les architectures.La troisième contribution introduit une méthode non paramétrique et sans hypothèse de distribution pour l'estimation de l'incertitude. Elle est basée sur la Profondeur de Lentille (Lens Depth) et la Distance Fermat. Fonctionnant entièrement dans l'espace des caractéristiques à l'inférence, cette méthode fournit des scores interprétables pour les entrées dans le domaine et hors domaine (OOD), sans nécessiter de ré-entraînement. En mesurant la centralité au sein de la distribution des caractéristiques, elle identifie de manière fiable les échantillons OOD, soutenant un déploiement plus sûr dans des applications critiques.Enfin, cette thèse présente le Module d'Attention Rectangulaire Convolutif (CRAM) pour une attention interprétable et spatialement cohérente. CRAM prédit des rectangles géométriques simples pour mettre en évidence les régions d'attention, sous contrainte d'équivariance faible, produisant des cartes d'attention lisses et de faible dimension. Le module est léger, facilement intégrable aux modèles existants, et améliore la précision et la robustesse par rapport aux approches d'attention positionnelle.Globalement, cette thèse démontre qu'un raisonnement explicite dans l'espace des caractéristiques-par l'entraînement robuste, le transfert relationnel, l'estimation géométrique de l'incertitude ou l'attention structurée-permet aux réseaux de neurones de devenir plus fiables, interprétables et déployables dans des contextes réels. La généralité de ces méthodes autorise leur application à un large éventail de problèmes
« Faire nuit », ou comment réhabiliter l'obscurité
No full textNational audienceBien plus qu’une parenthèse sombre entre deux journées, la nuit est le théâtre d’une vie foisonnante. Hiboux scrutant la pénombre, crapauds chantant au bord des mares, papillons fécondant les fleurs qui s’ouvrent au crépuscule : l’obscurité offre aux espèces des conditions uniques pour se nourrir, se reproduire ou communiquer. Mais l’expansion des lumières artificielles fragilise ces équilibres, brouille les repères et uniformise les rythmes. Redécouvrir la nuit, c’est reconnaître son rôle vital pour la biodiversité, mais aussi son importance culturelle et sensible dans nos manières d’habiter le monde
Modélisation ontologique et raisonnement sur les affordances pour l'interaction humain-robot
No full textNational audienceFor a robotic agent to interact effectively with its environment, it must maintain a knowledge base that models entities and their relationships. This knowledge base is continuously updated, providing a coherent and evolving model of the robot's world. Moreover, embedding this knowledge in formal logic enables the construction of a structured representation (ontology) that captures implicit knowledge: information not explicitly stated but derivable through reasoning. This representation can then be queried to provide justifications for each inferred conclusion. A central aspect of this knowledge base is the representation of potential actions that objects or surroundings afford the robot. This concept, known as affordances, describes possible interactions based on the robot's abilities and the objects' features (e.g., grasping a cup, pushing a door). Affordances also extend to the co-presence of multiple agents, called social affordances, which arise through agents' interactions (e.g., jointly lifting a table). Modeling both intrapersonal and interpersonal affordances allows robots to engage in cooperative behaviors in multi-agent environments. In this thesis, we propose an ontological pattern to represent an agent's capabilities through its embodiment (i.e., components), enabling autonomous inference of these capabilities. We then extend this to represent objects' dispositions by describing their subparts. With these models of agents and objects, affordances emerge as relations between capabilities and dispositions. Using those representations, we dynamically infer an agent's action possibilities, not only toward individual objects but also between compatible pairs of objects, based on reciprocal dispositions. Furthermore, we introduce ontological patterns to model agent exploitation as a goal-directed interpersonal affordance, reflecting how heterogeneous agents with complementary capabilities can lead to new affordance relations through interaction. Overall, this representation lays a foundation for future work on exploring this knowledge base to provide a task planning module with more relevant and autonomously inferred abstractions. Additionally, while ontologies offer explainable reasoning through formal justifications, these can be complex for non-experts to understand. Large Language Models (LLMs) could potentially translate these justifications into natural language, but their ability to preserve underlying logical structures is uncertain. Prior research shows LLMs are sensitive to variations in premise order, content, and length, which may affect their reliability for such tasks. To explore this, we tested six language models on an affordance-oriented inference dataset with controlled variations. Results confirmed sensitivity to these changes, indicating LLMs ii Abstract require additional context such as the inference rule to accurately translate formal justifications. This study lays a foundation for future work on multi-step reasoning and fine-tuning LLMs to better handle explanations derived from ontologies. Together, these contributions enable a dynamic and explainable representation of affordances between agents and objects within the knowledge base. This foundation could enable advanced task planning by autonomously providing insights into available context-specific actions. Moreover, the explainability from ontological reasoning and LLM-based translations could allow human users to query the robot's knowledge to provide natural, understandable explanations of why it can perform a given action.Pour interagir efficacement avec son environnement, un robot doit maintenir une base de connaissances structurée, modélisant les entités et leurs relations, mise à jour en continu pour fournir une représentation cohérente et évolutive du monde. Dans notre travail, cette base de connaissance est fondée sur de la logique formelle et prend la forme d’une ontologie permettant de capturer les connaissances implicites: les informations qui ne sont pas explicitement énoncées mais qui peuvent être dérivées par le raisonnement. Cette denière peut ensuite être interrogée pour fournir des justifications pour chaque conclusion déduite. Un aspect central de cette base de connaissance est la modélisation des actions possibles offertes par les objets ou l’environnement, appelées affordances. Ces interactions dépendent des capacités du robot et des propriétés des objets (par exemple, saisir une tasse, pousser une porte). Elles s’étendent également à la présence d’autres agents, appelées affordances sociales, résultants de leur interaction (par exemple, soulever une table à deux). La prise en compte des affordances intrapersonnelles et interpersonnelles permet d’envisager des actions coopératives dans des environnements multi-agents. Cette thèse propose un modèle ontologique décrivant un agent via ses composants et permettant l’inférence automatique de ses capacités. Ce modèle est étendu à la description des objets en tenant compte de leurs sous-parties, permettant l’inférence de leur dispositions. Les affordances intrapersonnelles émergent alors comme des relations entre les capacités d’agents et les dispositions des objets, permettant de déduire les actions possibles envers les objets individuels mais également les paires d’objets compatibles via le concept de dispositions réciproques.Nous introduisons également un modèle d’affordances interpersonnelles, représentant la collaboration entre agents aux capacités complémentaires, donnant lieu à de nouvelles possibilités d’action via leur interaction.Par ailleurs, si les ontologies permettent un raisonnement explicable via des justifications formelles, celles-ci restent difficiles à comprendre pour les non-experts. Les Large Language Models (LLM) pourraient en offrir une traduction en langage naturel, mais leur aptitude à préserver les structures logiques reste limitée, comme le montrent plusieurs travaux. Pour évaluer cela, nous avons évalué six LLM sur un jeu de données d’inférences avec variations contrôlées (complexité, ordre, concepts utilisés). Les résultats confirment une sensibilité marquée à ces variations et soulignent la nécessité d’un contexte supplémentaire, tel que la règle d’inférence, pour produire des justifications précises. En résumé, ce travail permet une représentation dynamique et explicable des affordances dans une base de connaissances, pouvant être utile à la planification de tâches en fournissant des abstractions pertinentes et inférées automatiquement. De plus, les justifications générées via le raisonnement peuvent être utilisées pour améliorer l’interaction naturelle avec un utilisateur humain, en lui permettant de comprendre pourquoi le robot peut effectuer une certaine action
