Yanis Ouakrim

Yanis Ouakrim

Auto-generated profile, based on publicly available information

Yanis Ouakrim

Univ. Grenoble Alpes, GIPSA-Lab, CNRS, Grenoble, France and LISN, Univ. Paris-Saclay, CNRS, Orsay, France

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
16 September 2025
Verified
Conference Paper
Open access
DFDiandra Fabre
Diandra Fabre
JLJulie Lascar
Julie Lascar
JHJulie Halbout
Julie Halbout
YOYanis Ouakrim
Yanis Ouakrim
ABAnnelies Braffort
Annelies Braffort
DBDenis Beautemps
Denis Beautemps

9 April 2026
Verified
Thesis
Closed access
YOYanis Ouakrim
Yanis Ouakrim
Ces dix dernières années, le domaine du traitement automatique des langues s'est transformé grâce aux avancées de l'apprentissage profond. Y compris en matière de traduction. Cependant, les langues des signes, et en particulier la langue des signes française, n'ont pas profité de cette révolution qui a principalement bénéficié aux langues écrites les mieux dotées. Des travaux préliminaires de collecte de corpus annotés, puis de mise au point de méthodes de reconnaissance de signes et traduction automatique ont eu lieu sur la langue des signes allemande, américaine et britannique. L'objectif de cette thèse est d'outiller le traitement automatique de la LSF pour faciliter la mise au point de nouvelles méthodes. Le peu de travaux d’apprentissage automatique existants s’étaient concentrés sur l’alignement automatique, la segmentation ou la reconnaissance de type de signes. Une des contraintes majeures résidait dans la rareté des données. Dans un premier temps, nous avons mis au point de premières méthodes de reconnaissance et de classification de signes à partir du corpus DictaSign-LSF. À l'aide de ces méthodes, nous proposons une quantification de l'apport de différents articulateurs : mains, visage, corps, pour la reconnaissance de signes en LSF. Notre étude souligne l'importance des mains, mais démontre aussi la contribution du visage et du corps à la reconnaissance des signes. Dans un deuxième temps, nous avons mis à disposition des chercheurs deux nouveaux corpus de LSF : Matignon-LSF et Mediapi-RGB. Matignon-LSF est issu des comptes-rendus des conseils des ministres. C’est le premier corpus de LSF interprétée, il présente l’avantage d’être de grande taille en comparaison avec les corpus existants (c’est le plus grand après Mediapi-RGB), et est complètement ouvert à la recherche publique et privée. De futurs travaux s’intéresseront à aligner les sous-titres, jusqu’alors alignés avec l’audio, avec la LSF. Mediapi-RGB est le plus gros corpus de LSF à ce jour et un des plus gros corpus traduits de LS à travers le monde. Il s’agit de 89h d’émissions en LSF signées par des sourds. Dans le cadre de la publication de ces deux corpus, nous avons décrit leur contenu et nous avons extrait des caractéristiques à l'aide de modèles en accès libre pour faciliter les traitements futurs. En publiant ces deux corpus, nous avons porté la quantité totale de données pour la langue des signes française de 30h à 160h. Faisant ainsi de la LSF une des langues des signes les mieux dotées en corpus traduits. Enfin, dans un troisième temps, nous nous intéressons à la traduction automatique de la LSF vers le français à partir du corpus Mediapi-RGB. Nous proposons une première méthode de traduction classique à base de transformers. Les premiers résultats suggèrent que la quantité de données disponibles reste insuffisante. Ensuite, nous tentons de tirer parti d'un pré-apprentissage, d'abord sur une autre langue des signes, la langue des signes américaine. Puis sur des langues écrites à travers de grands modèles de langue. Nos expériences ne permettent pas de démontrer l'intérêt du pré-apprentissage.